Redes neuronales artificiales
DOI:
https://doi.org/10.29057/escs.v12i23.14132Palabras clave:
Algoritmos, redes neuronales, aprendizaje automático, neurona biológicaResumen
Una red neuronal es una solución de software que utiliza algoritmos de aprendizaje automático para «imitar» las operaciones del cerebro humano. Las redes neuronales procesan los datos de forma más eficiente y ofrecen mejores capacidades de reconocimiento de patrones y resolución de problemas que los ordenadores tradicionales. Las redes neuronales también se conocen como redes neuronales artificiales (RNA) o redes neuronales simuladas (SNN). Las redes neuronales son un subtipo de aprendizaje automático y un elemento esencial de los algoritmos de aprendizaje profundo. Al igual que su funcionalidad, la arquitectura de una red neuronal también se basa en el cerebro humano. Su estructura altamente interconectada le permite imitar los procesos de señalización de las neuronas biológicas. En resumen, este artículo presenta una introducción a las redes neuronales artificiales y también una metodología heurística general para diseñar soluciones RNA de alta calidad a diversos problemas de dominio.
Descargas
Información de Publicación
Perfiles de revisores N/D
Declaraciones del autor
Indexado en
- Sociedad académica
- N/D
Citas
Batina, L., Bhasin , S., Jap, D. and Picek , S., (2019). "CSI NN: Reverse engineering of neural network architectures through electromagnetic side channel," 2019.
Bejani, M. M. and Ghatee, M., (2021). "A systematic review on overfitting control in shallow and deep neural networks," Artificial Intelligence Review, pp. 1-48.
Fan ,F., Xiong, J., Li, M. and Wang, G., (2021) "On interpretability of artificial neural networks: A survey," IEEE Transactions on Radiation and Plasma Medical Sciences, vol. 5, no. 6, pp. 741-760.
Hancock, J. T. and Khoshgoftaar, T. M., (2020) "Survey on categorical data for neural networks," Journal of Big Data, no. 1, pp. 1-41.
Janiesch, A., Zschech, P., and Heinrich, K., (2021). "Machine learning and deep learning," Electronic Markets, vol. 31, no. 3, pp. 685-695.
Ouali, Y., Hudelot, C. and Tami, M., (2020). "An overview of deep semi-supervised learning," arXiv preprint arXiv:2006.05278.
Pedro, O. P., Almahairi, A., Benmalek, R., Golemo, F. and Courville, A. C., (2020). "Unsupervised learning of dense visual representations," Advances in Neural Information Processing Systems 33, pp. 4489-4500.
Narkhede, M. V., Bartakke, P. P. and Sutaone, M. S., (2022). "A review on weight initialization strategies for neural networks," Artificial Intelligence Review, vol. 55, no. 1, pp. 291-322.
Singu S. (2021), "Comparative Analysis of Artificial Neural Networks," International Journal of Machine Learning for Sustainable Development, vol. 3, no. 4.
Shams, S., Jahani, A., Kalantary, S., M. Moeinaddini, and Khorasani, N., (2021). "The evaluation on artificial neural networks (ANN) and multiple linear regressions (MLR) models for predicting SO2 concentration," Urban Climate, vol. 37, p. 100837.
Zhou, F., Xu, X., Trajcevski, G. and Zhang, K., (2021). "A survey of information cascade analysis: Models, predictions, and recent advances," ACM Computing Surveys (CSUR), vol. 54, no. 2, pp. 1-36.