¿Dónde están las Redes Neuronales?
Antes de definir qué son las RN, tratemos de ubicarlas en el «paisaje de la IA«.
En la edición pasada mostraba ese paisaje donde veíamos a la IA y su relación con el Machine Learning y el Deep Learning… pero habrán notado que allí faltaban las Redes Neuronales de las que tanto se habla.
En realidad, las Redes Neuronales (Neural Networks o NN) son un subconjunto dentro de Machine Learning, y que a su vez incluye al Deep Learning. Es decir, el Deep Learning es un tipo especial de Redes Neuronales (Neural Networks o NN).
Así es como debiera verse el esquema si las incluimos:
¿Por qué no las incluí en un principio?
Simplemente para mantener las cosas más sencillas, y porque en la práctica, casi la totalidad de las redes neuronales que se utilizan son de tipo profundo (veremos esto a continuación).
Entonces… qué son las redes neuronales? y qué características tienen?
Las RN son un tipo especial de algoritmo de Machine Learning que está formado por neuronas artificiales, dispuestas en capas.
Estas neuronas reciben información, la procesan, y envían una salida de dicha información procesada hacia neuronas de la siguiente capa. Cada capa usa la salida de la capa anterior como entrada.
Lo más común es que tengamos una capa de entrada (donde se ingresan las variables que queremos evaluar), una o varias capas ocultas (que son las intermedias) y una capa de salida (que mostrará el resultado, predicción o inferencia del modelo).
Nota: En las representaciones que veremos a continuación, cada neurona es representada por un círculo.
Los datos de entrada son ingresados en la primera capa, los valores se van propagando a través de cada neurona, pasando por todas las capas de la red, hasta alcanzar la capa de salida la cual arroja un resultado.
¿Son las Redes Neuronales todas iguales?
Claro que no! Existes muchísimos tipos de redes neuronales.
Veamos el zoológicos de las NN:
Podrán apreciar la diversidad de formas, tamaños y «sabores» de redes neuronales… y esto es solo una pequeña fracción de lo que existe hoy en día (la imagen es de 2019!).
En oftalmología, por ejemplo, se utiliza una de estas redes en una famosa fórmula de cálculo de lente intraocular: la Fórmula Hill-RBF, justamente utiliza un tipo de red neuronal llamada Radial Basis Function (RBF) y que precisamente es de tipo «no profundo».
Entonces…
¿Cuál es la diferencia entre Red Neuronal y Deep Learning?
Cuando una Red Neuronal tiene más de una capa oculta se hace «profunda»… y pasamos a llamarle Deep Learning.
Así, retomando el ejemplo del esquema inicial, podríamos ver que si agregamos un par de capas ocultas adicionales, habremos transformado la red inicial en un algoritmo de Deep Learning:
En este ejemplo, la capa de entrada toma los valores de las variables sexo, presión arterial y edad de un paciente, y como resultado nos estima la probabilidad de dicho paciente de sufrir un accidente cerebrovascular.
Ahora bien…
Cómo aprenden las redes neuronales y cómo logran resultados fantásticos, son temas que veremos en futuros newsletters =)
Los leo!
“Alrededor del 50% de los trabajos se verán algo o extremadamente amenazados por la IA en los próximos 15 años.”
-Kai-Fu Lee
Si teinteresa el tema, considera suscribirte, gracias!