REDES NEURONALES ARTIFICIALES

RESUMEN

The term artificial neural networks used to generate pointless dreams and fears. Prosaically,
neural networks are data-processing techniques that are essentially understood at present;
they should be part of the toolbox of all scientists who want to make the most of the data
that are available to them, including performing previsions, designing predictive models,
recognizing patterns or signals, etc.

OBJETIVO

El fin de presente artículo es hacer llegar a la comunidad actuarial lo que es una red
neuronal o neural artificial muy brevemente, diversas aplicaciones en el mismo rubro y
mostrar un nuevo campo de trabajo que es la ciencia de datos.

DESARROLLO

Redes Neuronales una primera vista.

El termino biológico red neuronal o neural artificial puede causar confusión, por lo tanto,
presentaremos la fundamentación matemática y algoritmos que sustentan las redes
neurales.

Definiciones básicas primarias: Neurona (formal), redes neuronales, entrenamiento de

redes neuronales (supervisadas y no supervisadas), prealimentación, y redes de
retroalimentación (o recurrentes).

Las redes neuronales son herramientas excelentes de modelado no lineales. En ese

contexto, el concepto de entrenamiento supervisado surgirá naturalmente como una versión
no lineal de los métodos clásicos de modelado estadístico. Se prestará atención a las
necesarias y suficientes condiciones para una aplicación de redes neuronales con
entrenamiento supervisado para tener éxito.
Una metodología general para designar clasificadores neurales será explicada.
Figura 1.Una neurona es una función acotada no lineal 𝑦=
𝑓(𝑥1 , 𝑥2 , 𝑥3 , … … , 𝑥𝑛 ; 𝑤1 , 𝑤2 , 𝑤3 , … … , 𝑤𝑝 ) donde {𝑥𝑖 } son las variables y {𝑤𝑖 } son los
parámetros o pesos de la neurona.

Varias aplicaciones serán descritas para ilustrar las áreas donde las redes neuronales
pueden proveer una eficiente y elegante solución como, por ejemplo, problemas de
ingeniería, filtración de información, modelado de procesos industriales, clasificación, score
de crédito.

Redes neuronales: definición y propiedades.

Una neurona es una función no lineal, parametrizada y acotada.

Para conveniencia, una función lineal parametrizada será llamada neurona lineal.

Las variables de una neurona serán llamadas entradas de la neurona y su valor serán las
salidas. Una neurona se puede representar gráficamente como en la Figura 1. Esta
representación está inspirada biológicamente.

La función F puede ser parametrizada de cualquier manera apropiada. Dos tipos de

parametrización están en uso actualmente.

 Los parámetros son asignados a las entradas de la neurona, la salida de la neurona

es una combinación no lineal de las entradas {𝑥𝑖 }, con peso asignado por los
parámetros {𝑤𝑖 }.Consecuentemente a la terminología usada, la combinación lineal
será llamada potencial en el presente artículo.
 El uso más frecuente del potencial será {𝑣} que es una suma con pesos, con una
constante adicional nombrada “bias”,
𝑛−1

𝑣 = 𝑤0 + ∑ 𝑤𝑖 𝑥𝑖
𝑖=1

La función f es denotada como función activadora. Dicha función es una función sigmoide
(es decir una función con forma de S), como son las funciones tan ℎ o la función inversa
de la tan .

En la mayoría de las aplicaciones la salida 𝑦 de la neurona con entradas {𝑥𝑖 } esta dada por
𝑦 = tanh[𝑤0 + ∑𝑛−1
𝑖=1 𝑤𝑖 𝑥𝑖 .

Redes neuronales prealimentadas.

Las redes neuronales prealimentadas es una función no lineal de sus entradas donde existe
la composición de las funciones con las neuronas además pueden ser representadas
gráficamente como un conjunto de neuronas conectadas entre sí, en donde la información
fluye en un solo sentido, de entrada, a salida.

Figura 2. Red neural de n entradas, capa de 𝑁𝑐 neuronas ocultas y 𝑁0 neuronas de salida.

Hasta aquí dejaremos la breve exposición de lo básico de las redes neurales y proseguiremos con
la enunciación de algunos ejemplos de la vida real.

1. Prueba de diferentes medicamentos antes de su fabricación y distribución en masa, usando

la red neural para crear distintos escenarios de pacientes y sus posibles reacciones benignas
o malignas y así poder asignarle una efectividad al medicamento ante variados escenarios.
 2. Aprobación o desaprobación de una línea de crédito, ayudándonos de la red neural ya que
será la encargada de darle una calificación y clasificación adecuada al solicitante del crédito.
3. Identificación de objetos. En la actualidad el uso de los autos inteligentes está más próximo
y estos mismos se ven en la necesidad de brindarle al usuario las medidas de seguridad y
prevención de accidentes mediante el uso de reconocimiento visual del medio ambiente
esto desarrollado con redes neuronales profundas.
4. Medir el impacto de una política de venta de un nuevo producto y aquí es donde las redes
neuronales aprenderán de escenarios pasados para así poder anticipar ganancias o
pérdidas de la empresa.

Conclusiones

Podemos concluir que sino en mayoría talvez si una buena parte de los lectores del texto han
quedado con dudas y esclarecimiento del como algunas empresas trabajan como los bancos,
empresas farmacéuticas, departamentos de marketing y entre otras.

De igual manera debemos de tomar presente texto como un detonante de la curiosidad dirigido a
los amantes de las matemáticas y echar mano en explorar los nuevos textos y las nuevas técnicas
estadísticas y computacionales que en la actualidad están en desarrollo y así poder aportar algo de
nuestro conocimiento al mundo exterior, como ya vimos la aplicación de las redes neuronales es
más que extensa, el detalle se encuentra en que estemos capacitados para su optima aplicación y
dar resultados de interés y eficaces.

Bibliografía

(Dreyfus, 2004)

(Xingui He, 2007)