Estudio inteligencia artificial en un programa de maestría, y usamos bastante las redes neuronales. En realidad son bastante útiles.
Creo que el problema para las redes neuronales son su nombre. Esto confunde qué es una red neuronal real y hace que algunas personas cuestionen sus méritos porque esperan que actúen como cerebros, cuando realmente son un tipo de función elegante.
La mejor manera de entender una red neuronal es pasar el nombre. No piense en ello como un modelo de cerebro ... no es ... esta era la intención en la década de 1960 pero es 2011 y se usan todo el tiempo para el aprendizaje automático y la clasificación.
Una red neuronal es en realidad solo una función matemática. Ingresa un vector de valores, esos valores se multiplican por otros valores y se genera un valor o vector de valores. Eso es todo lo que es .
Son muy útiles en dominios problemáticos donde no hay una función conocida para aproximar las características (o entradas) dadas a sus salidas (clasificación o regresión). Un ejemplo sería el clima: hay muchas características del clima: tipo, temperatura, movimiento, cobertura de nubes, eventos pasados, etc., pero nadie puede decir exactamente cómo calcular el clima dentro de 2 días. Una red neuronal es una función que está estructurada de una manera que hace que sea fácil alterar sus parámetros para aproximar la predicción del clima en función de las características.
Esa es la cosa ... es una función y tiene una estructura agradable adaptada al "aprendizaje". Uno tomaría los últimos cinco años de información climática, completa con las características del clima y la condición del clima 2 días en el futuro, por cada día en los últimos cinco años. Los pesos de la red (factores de multiplicación que residen en los bordes) se generan aleatoriamente y los datos se procesan. Para cada predicción, el NN generará valores incorrectos. Usando un algoritmo de aprendizaje basado en cálculo, como la retropropagación, uno puede usar los valores de error de salida para actualizar todos los pesos en la red. Después de que se corran suficientes datos, los niveles de error alcanzarán el punto más bajo (hay más, pero no voy a entrar aquí, lo más importante es el ajuste excesivo). El objetivo es detener el algoritmo de aprendizaje cuando los niveles de error están en el mejor punto. La red se repara y en este punto essolo una función matemática que asigna valores de entrada a valores de salida como cualquier ecuación anterior. Introduce nuevos datos y confía en que los valores de salida son una buena aproximación.
Para aquellos que afirman que han fallado: no lo son. Son extremadamente útiles en muchos dominios. ¿Cómo crees que los investigadores calculan las correlaciones entre genes y enfermedades? Los NN, así como otros algoritmos de aprendizaje, se utilizan en bioinformática y otras áreas. Se ha demostrado que producen resultados extremadamente buenos. La NASA ahora los usa para las rutinas de la estación espacial, como predecir la duración de la batería. Algunas personas dirán que las máquinas de vectores de soporte, etc. son mejores ... pero no hay evidencia de eso, otros algoritmos son simplemente más nuevos.
Es realmente una lástima que la gente todavía afirme que las redes neuronales fallan porque son mucho más simples que el cerebro humano (las redes neuronales ya no se usan para modelar cerebros), eso fue hace 50 años.