Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
En los ltimos aos han surgido nuevas herramientas que combinan las dos
metodologas y que tienden a elaborar pronsticos de manera automtica, a travs
de una nueva metodologa denominada redes neuronales, enmarcada dentro de
un campo del conocimiento ms amplio llamado, Sistemas expertos, el cual a su
vez forma parte de lo que hoy en da se conoce como Inteligencia Artificial. Para
efectos de contextualizar el trabajo, optaremos por clasificar a los mtodos de
pronstico mencionados, de la siguiente manera:
El hombre desde sus inicios ha soado con dominar al mundo; en este intento, ha
ido creando diferentes instrumentos, siendo uno de los ms significativos el
descubrimiento de las mquinas. Pero no slo se interes en su creacin, sino que
intent dotarles de algn tipo de inteligencia. Muestras de de ello se encuentra a
travs de toda la historia, como por ejemplo el mito del coloso de rodas entre los
griegos, el motor analtico de Charles Babbage que calculaba logaritmos
(ELGUEA, 1987); sin embargo, fue slo a partir de 1943, cuando estos intentos
vieron la luz, gracias a Warren Mc Culloch y Walter Pitts, quienes propusieron un
modelo de neurona de cerebro humano y animal. Estas neuronas, inspiradas en el
cerebro, proporcionaron una representacin simblica de la actividad cerebral.
Tiempo despus, Nobert Wiener sistematiz estas y otras ideas dentro de un
campo denominado inteligencia artificial. Un evento que marco el ingreso de la
Inteligencia artificial en las Ciencias, fue el congreso de Darthmouth en 1956 en el
cul se sent las bases de esta nueva disciplina y se 26 reconoci explcitamente
que el pensamiento puede ser comprendido de manera formal y cientfica y que es
posible transmitirlo a las mquinas
Las RNA, tal como las personas, aprenden de la experiencia y son capaces de
manejar las imprecisiones e incertidumbres que aparecen cuando se trata de
resolver problemas relacionados con el mundo real (reconocimiento de formas,
toma de decisiones, etc.), ofreciendo soluciones robustas (tolerantes a cambios de
las condiciones imperantes) y de fcil implementacin.
Arquitectura de las Redes Neuronales
Las neuronas son los elementos procesadores de la red neuronal. Aqu el cuerpo
de la neurona se representa como una combinacin lineal de los estmulos. Es
decir se trata de una unidad de proceso con n entradas, y una unidad de salida:
Una red se caracteriza porque tiene capas de entrada, capas ocultas y capas de
salida; cada una de ellas est constituida por un conjunto de nodos. La capa de
entrada tiene como objetivo distribuir la informacin contenida en las variables de
entrada hacia la capa oculta y est constituida por tantos nodos como variables de
entrada existan. La capa de salida por su parte se encarga de proporcionar los
resultados del entrenamiento de la red. Una vez que el modelo ha sido definido, la
determinacin del nmero de nodos de entrada y salida es trivial, lo que no ocurre
con la determinacin del nmero de capas ocultas y el nmero de nodos ocultos
en cada capa. La construccin de la estructura de procesamiento de la red es
arbitraria. En relacin a la construccin de las capas ocultas, existen mltiples
aproximaciones que producen resultados similares, sin embargo es importante
seleccionar aquellos factores que 34 conduzcan a seleccionar una configuracin
ptima. Esos factores incluyen la cantidad de patrones de entrenamiento (calidad
de los datos), el nmero de nodos de entrada y salida y la relacin entre los datos
de entrada y salida. Puede ser tentador construir una red con muchas unidades de
procesamiento y capas ocultas, cayendo en la trampa de que mientras ms
grande es la red, mejor es el modelo. Esta filosofa puede fcilmente resultar en
un pobre rendimiento del modelo. Cuando la estructura de procesamiento oculta
de una red es muy grande y compleja para el modelo que est siendo
desarrollado, la red puede tender a memorizar los conjuntos de entrada y salida
ms que aprender las relaciones entre ellos. Dicha red puede entrenar bien, pero
tener un pobre rendimiento cuando se le presentan valores de entrada fuera del
rango del conjunto de entrenamiento
Utilizada cuando las salidas de la red son binarias. La salida se activa slo cuando
el estado de activacin es mayor o igual a cierto umbral. Dos funciones clsicas
son la funcin signo, sgn(x) y la funcin escaln estndar, Y(x) , definidas como,