Los 7 tipos de redes neuronales artificiales que los ingenieros de ML necesitan saber
Publicado: 2019-12-17Las redes neuronales son redes utilizadas en Machine Learning que funcionan de manera similar al sistema nervioso humano. Está diseñado para funcionar como el cerebro humano donde muchas cosas están conectadas de varias maneras. Las redes neuronales artificiales encuentran amplias aplicaciones en áreas donde las computadoras tradicionales no funcionan demasiado bien. Hay muchos tipos de redes neuronales artificiales utilizadas para el modelo computacional.
El conjunto de parámetros y operaciones de las matemáticas determina el tipo de redes neuronales que se utilizarán para obtener el resultado. Aquí discutiremos algunos de los tipos críticos de redes neuronales en el aprendizaje automático:
Tabla de contenido
Las 7 mejores redes neuronales artificiales en aprendizaje automático
1. Redes neuronales modulares
En este tipo de red neuronal, muchas redes independientes contribuyen colectivamente a los resultados. Hay muchas subtareas realizadas y construidas por cada una de estas redes neuronales. Esto proporciona un conjunto de entradas que son únicas en comparación con otras redes neuronales. No hay intercambio de señales o interacción entre estas redes neuronales para realizar ninguna tarea.
La complejidad de un problema se reduce fácilmente al resolver problemas mediante estas redes modulares porque descomponen completamente el proceso computacional considerable en pequeños componentes. La velocidad de cálculo también mejora cuando se reduce el número de conexiones y se reduce la necesidad de interacción de las redes neuronales entre sí.
El tiempo total de procesamiento también dependerá de la participación de las neuronas en el cálculo de los resultados y de cuántas neuronas estén involucradas en el proceso. Las redes neuronales modulares (MNN) son una de las áreas de inteligencia artificial de más rápido crecimiento.
2. Red neuronal Feedforward - Neurona artificial
La información en la red neuronal viaja en una dirección y es la forma más pura de una red neuronal artificial. Este tipo de red neuronal puede tener capas ocultas y los datos ingresan a través de los nodos de entrada y salen a través de los nodos de salida. En esta red neuronal se utiliza la función de clasificación de activación. No hay retropropagación y solo se permite la onda de propagación frontal.
Hay muchas aplicaciones de las redes neuronales Feedforward, como el reconocimiento de voz y la visión artificial. Es más fácil mantener este tipo de redes neuronales y también tiene una excelente capacidad de respuesta a datos ruidosos.
Obtenga un curso de inteligencia artificial en línea de las mejores universidades del mundo. Obtenga programas de maestría, PGP ejecutivo o certificado avanzado para acelerar su carrera.
3. Función de base radial Red neuronal
Hay dos capas en las funciones de RBF. Estos se utilizan para considerar la distancia de un centro con respecto al punto. En la primera capa, las características de la capa interna se unen con la función de base radial. En el siguiente paso, se considera la salida de esta capa para calcular la misma salida en la siguiente iteración. Una de las aplicaciones de la función de base radial se puede ver en los sistemas de restauración de energía. Existe la necesidad de restaurar la energía de la manera más confiable y rápida posible después de un apagón.
4. Red neuronal autoorganizada de Kohonen
En esta red neuronal, los vectores se ingresan en un mapa discreto desde una dimensión arbitraria. Los datos de entrenamiento de una organización se crean entrenando el mapa. Puede haber una o dos dimensiones en el mapa. El peso de las neuronas puede cambiar eso depende del valor.
La ubicación de la neurona no cambiará mientras se entrena el mapa y se mantendrá constante. Se asigna un vector de entrada y un peso pequeño a cada valor de neurona en la primera fase del proceso de autoorganización. Una neurona ganadora es una neurona que está más cerca del punto. Otras neuronas también comenzarán a moverse hacia el punto junto con la neurona ganadora en la segunda fase.
La neurona ganadora tendrá la menor distancia, y la distancia euclidiana se utiliza para calcular la distancia entre las neuronas y el punto. Cada neurona representa cada tipo de clúster, y el agrupamiento de todos los puntos sucederá a través de las iteraciones.
Una de las principales aplicaciones de Kohonen Neural Network es reconocer los patrones de datos. También se utiliza en el análisis médico para clasificar enfermedades con mayor precisión. Los datos se agrupan en diferentes categorías después de analizar las tendencias en los datos.
5. Red neuronal recurrente (RNN)
El principio de la red neuronal recurrente es retroalimentar la salida de una capa a la entrada nuevamente. Este principio ayuda a predecir el resultado de la capa. En el proceso de Computación, Cada neurona actuará como una célula de memoria. La neurona retendrá cierta información a medida que avanza al siguiente paso de tiempo.
Se llama un proceso de red neuronal recurrente. Los datos que se utilizarán más tarde se recordarán y se continuará trabajando para el siguiente paso en el proceso. La predicción mejorará mediante la corrección de errores. En la corrección de errores, se realizan algunos cambios para crear la salida de predicción correcta. La tasa de aprendizaje es la tasa de qué tan rápido la red puede hacer la predicción correcta a partir de la predicción incorrecta.
Hay mucha aplicación de Redes Neuronales Recurrentes, y una de ellas es el modelo de conversión de texto a voz. La red neuronal recurrente fue diseñada para el aprendizaje supervisado sin ningún requisito de señal de enseñanza.
6. Red neuronal convolucional
En este tipo de red neuronal, los sesgos y pesos de aprendizaje se asignan inicialmente a las neuronas. El procesamiento de imágenes y el procesamiento de señales son algunas de sus aplicaciones en el campo de la visión artificial. Se ha hecho cargo de OpenCV.
Las imágenes se recuerdan en partes para ayudar a la red en las operaciones informáticas. Las fotos se reconocen tomando las características de entrada por lotes. En el proceso de computación, la imagen se convierte a escala de grises desde la escala HSI o RGB. La clasificación de las imágenes se realiza en varias categorías después de transformar la imagen. Los bordes se detectan averiguando el cambio de valor de píxel.
La técnica de clasificación de imágenes y procesamiento de señales se utilizan en ConvNet. Para la clasificación de imágenes, las redes neuronales convolucionales tienen un nivel de precisión muy alto. Esa es también la razón por la cual las redes neuronales convolucionales están dominando las técnicas de visión por computadora. La predicción del rendimiento y el crecimiento en el futuro de un área terrestre son otras aplicaciones de las redes neuronales convolucionales en características climáticas y agrícolas.
7. Memoria a largo/corto plazo
Schmidhuber y Hochreiter en 1997 construyeron una red neuronal que se llama redes de memoria a corto plazo (LSTM). Su objetivo principal es recordar cosas durante mucho tiempo en una celda de memoria definida explícitamente. Los valores anteriores se almacenan en la celda de memoria a menos que se les indique que olviden los valores mediante "forget gate".
Se agregan cosas nuevas a través de la "puerta de entrada" a la celda de memoria, y se pasa al siguiente estado oculto de la celda a lo largo de los vectores que se decide por la "puerta de salida". La composición de música primitiva, la escritura como Shakespeare o el aprendizaje de secuencias complejas son algunas de las aplicaciones de las LSTM.
Conclusión
Estos son los diferentes tipos de redes neuronales que se utilizan para impulsar la inteligencia artificial y el aprendizaje automático. Esperamos que este artículo haya arrojado algo de luz sobre las redes neuronales y los tipos que se utilizan para ML.
Si tiene pasión y quiere aprender más sobre inteligencia artificial, puede tomar el Diploma PG de IIIT-B y upGrad en Aprendizaje automático y Aprendizaje profundo que ofrece más de 400 horas de aprendizaje, sesiones prácticas, asistencia laboral y mucho más.
¿Qué es una red neuronal LSTM?
Su objetivo principal es retener información durante un período prolongado en una celda de memoria expresamente especificada. A menos que la 'puerta de olvido' le diga a la celda de memoria que olvide los valores anteriores, los valores anteriores se conservan en la celda de memoria. La 'puerta de entrada' agrega nueva información a la celda de memoria, que luego se transmite hacia la siguiente unidad oculta desde la celda a lo largo de vectores determinados por la 'puerta de salida'. Algunos de los usos de los LSTM incluyen la composición musical rudimentaria, la poesía de Shakespeare y el aprendizaje de secuencias difíciles.
¿Cómo funciona una red neuronal de función de base radial?
Las funciones RBF se dividen en dos niveles. Estos se utilizan para calcular la distancia entre un punto y su centro. La función de base radial se usa para conectar entidades en la capa interna en la primera capa. La salida de esta capa se usa en la siguiente fase para calcular el mismo resultado en la siguiente iteración. Power Restoration Systems es uno de los usos de la función de base radial. Después de un apagón, la energía debe restaurarse de la manera más confiable y rápida posible.
¿Qué es una red neuronal autoorganizada?
Los vectores de cualquier dimensión se introducen en un mapa discreto en esta red neuronal. El mapa se utiliza para crear datos de entrenamiento para una organización. El mapa podría tener una o dos dimensiones. Dependiendo del valor, el peso de las neuronas puede fluctuar. La ubicación de la neurona no variará durante el entrenamiento del mapa y permanecerá constante. En la etapa inicial del proceso de autoorganización, a cada valor de neurona se le asigna un vector de entrada y un pequeño peso. La neurona que está más cerca del punto es la ganadora. En la segunda fase, otras neuronas se unirán a la neurona ganadora para moverse hacia el objetivo.