¿Qué tipo de redes neuronales hay?

Las redes neuronales son una familia de métodos de machine learning que están basados en la interconexión de unidades llamadas “neuronas artificiales”. En los primeros diseños de redes neuronales, estas “neuronas artificiales” fueron aproximaciones de neuronas reales. Sin embargo, hoy en día, se han despegado más de su contraparte real.

Dependiendo de como están conectadas las neuronas artificiales, la red realizará ciertas funciones, por ejemplo, clasificar registros, detectar objetos, completar textos, etc. A la forma de conectar las neuronas artificiales se le conoce como arquitectura de una red.

Aunque existen muchas arquitecturas hoy en día, algunas de las más importantes:

Perceptrón: Es un modelo que consiste en una sola neurona, que toma los datos, los multiplica por un conjunto de pesos y suma este resultado para obtener una salida. Es una arquitectura muy simple que surgió en los 60’s buscando entender el cerebro humano. Debido a su simplicidad no tiene muchas aplicaciones prácticas.

Perceptrón multicapa: Es el resultado de conectar diversos perceptrones por capas, donde la salida de una capa de perceptrones es la entrada de la siguiente capa. Debido a que son redes más complejas, se pueden aplicar para resolver problemas de clasificación y regresión en áreas como visión por computadora o procesamiento de lenguaje natural.

Redes Neuronales Convolucionales: Siguen el mismo principio que las redes multicapa, pero cada capa está integrada por filtros o kernels (matrices que resaltan ciertas características). Estos filtros se utilizan para aplicar convoluciones sobre los datos de entrada. Su principal aplicación se encuentra en el campo de visión por computadora para detectar patrones en imágenes o en videos.

Redes Neuronales Recurrentes: Este tipo de redes toman en cuenta la salida de entradas pasadas para procesar las entradas actuales. Esto se puede ver como una memoria que le permite a estas redes especializarse en procesos donde la secuencia de las entradas es importante, como series de tiempo, procesamiento de lenguaje natural o señales de audio.

Autoencoders: Son un tipo de arquitectura neuronal que toma los datos de entrada, los comprime (o representa con menos información) y después los reconstruye. El objetivo de este tipo de redes es encontrar una forma de comprimir la información. En los últimos años se han utilizado versiones más avanzadas de esta arquitectura para que las redes puedan generar nueva información a partir de ejemplos existentes.  

PhD. Alejandro Maldonado

Fuente: https://towardsdatascience.com/types-of-neural-network-and-what-each-one-does-explained-d9b4c0ed63a1

Imagen diseñada por Macrovector_official/ freepik