Redes neuronales, una introducción

Redes neuronales artificiales

La cantidad de algoritmos y esquemas de inteligencia artificial existentes hoy en día es, simplemente, abrumadora. En la última década se han desarrollado diferentes metodologías, visiones, perspectivas, e incluso herramientas, que han ayudado al crecimiento del mundo de la Inteligencia Artificial y permiten que exista el mundo que conocemos actualmente. Sin embargo, dentro de todo este mar de información, uno de los esquemas más populares es el de las redes neuronales artificiales (RNA).

Las RNA han presentado una evolución cada vez más acelerada desde el nacimiento del perceptrón de Rosenblatt, el cual, a su vez, fue inspirado en el trabajo de Warren McCulloch y Walter Pitts. Esta neurona, se puede considerar como la primera red neuronal básica, diseñada en 1958.

Este concepto algorítmico esta diseño para tratar de emular el comportamiento que las neuronas tienen dentro del cerebro biológico y a partir de ello, imitar la forma en la que se realiza el aprendizaje en un ente orgánico.

Las redes neuronales han sido de gran aplicación en problemas de identificación de patrones (Basu et al., 2010) (Carpenter & Grossberg, 1988), clasificación (Lippmann, 1989) (Miller et al., 1995), y con el surgimiento de las redes neuronales convolucionales, se han utilizado en gran medida para el reconocimiento facial (Aitkenhead & McDonald, 2003) (Kasar et al., 2016), así como el uso dentro de la visión artificial (Pérez, 2020) (Alvarado & Molina, 2020).

También, ha sido gracias al crecimiento de las RNA que se ha desarrollado el Deep learning (LeCun et al., 2015), el cual es el corazón de muchos esquemas comerciales (Shankar et al., 2017) ), de big data (Chen & Lin, 2014), de análisis económico (Nosratabadi et al., 2020) , de las ciudades inteligentes (Nosratabadi et al, 2019), del Internet de las Cosas (Shankar et al., 2017), entre muchos otros.

En base a  todo lo descrito, se puede notar la importancia de las RNA en el desarrollo tecnológico contemporáneo, y por lo tanto, se puede notar la importancia de un aprendizaje académico-aplicado de esta rama de conocimiento.

Las RNA juegan y, si siguen en este camino las tendencias, jugarán un papel primordial en el desarrollo de infraestructura tecnológica en un futuro cercano y lejano, colocándolas como un punto clave para la generación de nuevos puestos de trabajo, es decir, el profesionista que conozca estos conceptos, será el profesionista que probablemente se logre colocar en un mercado laboral cada vez más competido.

La FES Cuautitlán, tiene en su haber carreras de ingeniería (ITSE e IME) que están ingresando al plano de la Inteligencia Artificial por medio de sus planes de estudio o de servicio social, por lo que sus egresados, serán los profesionistas que lideren este campo laboral.

Referencias

Aitkenhead, M. J., & McDonald, A. J. S. (2003). A neural network face recognition system. Engineering Applications of Artificial Intelligence16(3), 167-176.

Alvarado, J. V. A., & Molina, M. A. C. (2020). Clasificación de frutas basadas en redes neuronales convolucionales. Polo del Conocimiento: Revista científico-profesional5(1), 3-22.

Basu, J. K., Bhattacharyya, D., & Kim, T. H. (2010). Use of artificial neural network in pattern recognition. International journal of software engineering and its applications4(2).

Carpenter, G. A., & Grossberg, S. (1988). The ART of adaptive pattern recognition by a self-organizing neural network. Computer21(3), 77-88.

Chen, X. W., & Lin, X. (2014). Big data deep learning: challenges and perspectives. IEEE access2, 514-525.

Kasar, M. M., Bhattacharyya, D., & Kim, T. H. (2016). Face recognition using neural network: a review. International Journal of Security and Its Applications10(3), 81-100.

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature521(7553), 436-444.

Lippmann, R. P. (1989). Pattern classification using neural networks. IEEE communications magazine27(11), 47-50

Miller, D. M., Kaminsky, E. J., & Rana, S. (1995). Neural network classification of remote-sensing data. Computers & Geosciences21(3), 377-386.

Nosratabadi, S., Mosavi, A., Keivani, R., Ardabili, S., & Aram, F. (2019, September). State of the art survey of deep learning and machine learning models for smart cities and urban sustainability. In International Conference on Global Research and Education (pp. 228-238). Springer, Cham.

Nosratabadi, S., Mosavi, A., Duan, P., Ghamisi, P., Filip, F., Band, S. S., … & Gandomi, A. H. (2020). Data science in economics: comprehensive review of advanced machine learning and deep learning methods. Mathematics8(10), 1799

Pérez Gutiérrez, F. (2020). Detección de vehículos en circulación mediante visión artificial y redes neuronales convolucionales.

Shankar, D., Narumanchi, S., Ananya, H. A., Kompalli, P., & Chaudhury, K. (2017). Deep learning based large scale visual recommendation and search for e-commerce. arXiv preprint arXiv:1703.02344.

Grupo de Invstigación en Sistemas Inteligentes. Facultad de Estudios Superiores Cuautitlán.Universidad Nacional Autónoma de México.2018. Esta página puede ser reproducida con fines no lucrativos, siempre y cuando no se mutile, se cite la fuente completa y su dirección electrónica. De otra forma, requiere permiso previo por escrito de la institución.