Hay dos tipos principales de redes neuronales:
- Redes neuronales de avance (FNN): estas redes propagan datos desde los nodos de entrada a través de capas ocultas hasta los nodos de salida sin ciclos ni bucles. Se utilizan para tareas como reconocimiento de patrones, clasificación y regresión.
- Redes neuronales recurrentes (RNN): las RNN tienen conexiones que forman ciclos, lo que les permite exhibir un comportamiento temporal dinámico mediante el procesamiento de secuencias de entradas. Son adecuados para tareas que involucran datos secuenciales, como procesamiento del lenguaje natural, reconocimiento de voz y predicción de series temporales.
Las redes neuronales se pueden clasificar en términos generales en dos tipos:
- Redes neuronales de avance (FNN): estas redes procesan datos de manera unidireccional, pasando información desde los nodos de entrada a través de capas ocultas hasta los nodos de salida. Los FNN se utilizan comúnmente para tareas como reconocimiento, clasificación y regresión de imágenes.
- Redes neuronales recurrentes (RNN): las RNN están diseñadas para manejar datos secuenciales manteniendo un estado o memoria de entradas anteriores. Esto les permite procesar secuencias de datos, lo que los hace adecuados para aplicaciones como el procesamiento del lenguaje natural, el reconocimiento de escritura a mano y el reconocimiento de voz.
El aprendizaje en redes neuronales suele implicar dos tipos principales:
- Aprendizaje supervisado: en el aprendizaje supervisado, la red aprende a partir de datos de entrenamiento etiquetados donde las entradas se combinan con los resultados objetivo correspondientes. La red ajusta sus parámetros a través de algoritmos de optimización iterativos para minimizar la diferencia entre los resultados previstos y reales, lo que le permite generalizar y hacer predicciones sobre datos nuevos e invisibles.
- Aprendizaje no supervisado: el aprendizaje no supervisado implica entrenar la red con datos sin etiquetar, donde la red identifica patrones, estructuras o relaciones dentro de los datos sin una guía explícita. Las tareas comunes incluyen agrupación, reducción de dimensionalidad y detección de anomalías, lo que ayuda a descubrir información y estructura ocultas a partir de los datos.
Las dos partes principales de las redes neuronales son:
- Neuronas (Nodos): Las neuronas son las unidades fundamentales que procesan y transmiten información dentro de una red neuronal. Cada neurona recibe señales de entrada, aplica pesos y sesgos y envía un resultado a la siguiente capa o como salida final.
- Conexiones (Pesos): Las conexiones entre neuronas representan el flujo de información en una red neuronal. Cada conexión está asociada a un peso que determina la fuerza de la relación entre las neuronas conectadas. Ajustar estos pesos durante el entrenamiento permite que la red aprenda y se adapte a diferentes tareas y patrones de datos.
Las redes neuronales artificiales (RNA) abarcan varias arquitecturas, pero dos tipos principales incluyen:
- Redes neuronales de avance (FNN): las FNN procesan datos de manera unidireccional, pasando información desde los nodos de entrada a través de capas ocultas hasta los nodos de salida. Son eficaces para tareas que requieren reconocimiento de patrones, clasificación y regresión.
- Redes neuronales recurrentes (RNN): las RNN están diseñadas para manejar datos secuenciales manteniendo una memoria de entradas anteriores a través de bucles de retroalimentación. Esto les permite procesar datos de series temporales, secuencias de lenguaje natural y otros tipos de datos secuenciales de manera efectiva.