REDES NEURONALES a través de EJEMPLOS. APLICACIONES con MATLAB (Spanish Edition)

Podemos definir una red neuronal como un conjunto de elementos de procesamiento de la informaci n altamente interconectados, que son capaces de aprender con la informaci n que se les alimenta. La principal caracter stica de esta nueva tecnolog a de redes neuronales es que puede aplicarse a gran n mero de problemas que pueden ir desde problemas complejos reales a modelos te ricos sofisticados como por ejemplo reconocimiento de im genes, reconocimiento de voz, an lisis y filtrado de se ales, clasificaci n, discriminaci n, an lisis financiero, predicci n din mica, etc. Las redes neuronales tratan de emular el sistema nervioso, de forma que son capaces de reproducir algunas de las principales tareas que desarrolla el cerebro humano, al reflejar las caracter sticas fundamentales de comportamiento del mismo. Lo que realmente intentan modelizar las redes neuronales es una de las estructuras fisiol gicas de soporte del cerebro, la neurona y los grupos estructurados e interconectados de varias de ellas, conocidos como redes de neuronas. De este modo, construyen sistemas que presentan un cierto grado de inteligencia. No obstante, debemos insistir en el hecho de que los sistemas neuronales artificiales, como cualquier otra herramienta construida por el hombre, tienen limitaciones y s lo poseen un parecido superficial con sus contrapartidas biol gicas. Las redes neuronales, en relaci n con el procesamiento de informaci n, heredan tres caracter sticas b sicas de las redes de neuronas biol gicas: paralelismo masivo, respuesta no lineal de las neuronas frente a las entradas recibidas y procesamiento de informaci n a trav s de m ltiples capas de neuronas. Una de las principales propiedades de estos modelos es su capacidad de aprender y generalizar a partir de ejemplos reales. Es decir, la red aprende a reconocer la relaci n (que no deja de ser equivalente a estimar una dependencia funcional) que existe entre el conjunto de entradas proporcionadas como ejemplos y sus correspondientes salidas, de modo que, finalizado el aprendizaje, cuando a la red se le presenta una nueva entrada (aunque est incompleta o posea alg n error), en base a la relaci n funcional establecida en el mismo, es capaz de generalizarla ofreciendo una salida. En consecuencia, podemos definir una red neuronal artificial como un sistema inteligente capaz, no s lo de aprender, sino tambi n de generalizar. En este libro se presentan ejemplos pr cticos del trabajo con redes neuronales a trav s de MATLAB. Se muestran aplicaciones sobre ajuste de modelos, reconocimiento de patrones, an lisis cl ster, predicci n de series temporales, Big Data y redes neoronales, computaci n paralela con redes nuronales y otros ejemplos similares