EN, ES - What are neural networks? ¿Qué son las redes neuronales?
English version:
Versión en español
debajo.
In cognitive
neuroscience, the term neural network can be used to refer either to a computer
simulation program in which interconnected units (or artificial neurons) work
together to execute a particular calculation, or to a group of real neurons
situated in one or more arts of the brain where an elementary cognitive
operation is performed (Houdé, 2004). In this article we will be talking of
neural networks in the first sense explained.
In the 1980s,
powerful computers were accessible as never before. This enable cognitive
psychologists to develop computationally explicit models of cognition (that
literally calculate a set of outputs given a set of inputs) rather than the
computationally inspired, but underspecified, box-and-arrow approach. One
particular way of implementing computational models has been very influential;
namely the neural network (Ward, 2015), connectionist or parallel
distributed processing (PDP) approach. These models are considered in
topics such as memory, speaking, and literacy.
Neural networks
are very useful for testing models of cognitive functioning. They help us
understand how a system manages to produce a particular response when given a
particular stimulus. An artificial neural net is made up of units, each of
which has its own activity level. The units are interconnected (see the first
figure above), and each connection is assigned a weight that modulates the way
two units interact. A network of this type is capable of storing information
and thus of learning.
Another example
of a connectionist model of cognition. This comes from The student’s guide to
cognitive neuroscience. 3rd edition (Ward, 2015).
Neural networks
are comprised of nodes. Nodes are the basic units of neural network models that
are activated in response to activity in other parts of the network. They are
information carrying in the sense that they respond to a particular set of
inputs (e.g. certain letters, certain sounds) and produce a restricted set of
outputs.
In some respect,
the units (or nodes) in neural networks resemble real neurons, in that they too
are interconnected and can be activated by signals received from a large number
of other neurons. Real neural networks, nonetheless, are infinitely more
complex, however: a single neuron may have several thousands of connections,
and no model of this size has even been tested.
BIBLIOGRAPHY
Bermúdez, José
Luis (2014). Cognitive science. An introduction to the science of the
mind. 2nd edition
Houdé, Olivier (2004). Dictionary of cognitive science.
Neuroscience, psychology, artificial intelligence, linguistics, and philosophy
Ward, Jamie (2015). The student’s guide to cognitive
neuroscience. 3rd edition
Versión en español:
En neurociencia cognitiva, el término red
neuronal (o neural) puede ser usado para referirse bien sea a un programa de simulación de
computadora en el que unidades interconectadas (o neuronas artificiales)
trabajan en conjunto para ejecutar un cálculo particular, o para referirse a un
grupo de neuronas reales situadas en una o más partes del cerebro donde una
operación cognitiva elemental es ejecutada (Houdé, 2004). En este artículo
discutiremos el primer sentido ofrecido por Houdé en tanto a redes neurales.
Esta es una red conexionista genérica de
tres capas (conocida también como red neural artificial) del libro Cognitive
science. An introduction to the science of the mind. 2nd
edition (Bermúdez, 2014).
En los 80s, computadoras poderosas se
volvieron accesibles como nunca antes. Esto permitió a los psicólogos
cognitivos desarrollar modelos explícitos de cognición computacionales (que
literalmente calculan un conjunto de salidas dado un conjunto de entradas) en
vez del inspirado por algoritmos, aunque poco especificado, enfoque de
diagramas con cajas y flechas. Una forma particular de implementar modelos
computaciones ha sido muy influencial; el enfoque de redes neurales (Ward,
2015) o PDP. Estos modelos son considerados en temas tales como la memoria, el
habla y el alfabetismo.
Las redes neurales son muy útiles para
probar modelos de funcionamiento cognitivo. Estas nos ayudan a entender cómo un
sistema logra producir una respuesta particular cuando se le otorga un estímulo
determinado. Una red neural artificial está hecha de unidades, cada una con su
propio nivel de actividad. Las unidades están interconectadas (observar la
figura arriba) y a cada conexión es asignada un peso que modula la forma en que
dos unidades interactúan. Una red de este tipo es capaz de almacenar
información y, por lo tanto, de aprender.
Otro ejemplo de un modelo conexionista de
cognición. Este viene del libro The student’s guide to cognitive
neuroscience. 3rd edition (Ward, 2015).
Las redes neurales están constituidas por
nodos (las unidades de las que previamente se habló). Los nodos son las
unidades básicas de los modelos de redes neurales que son activados en
respuesta a actividad en otras partes de la red. Son portadores de información
en el sentido de que responden a un conjunto de entradas particuales (por
ejemplo, ciertas letras o sonidos) y producen un conjunto restringido de
salidas.
En ciertos aspectos, las unidades (o
nodos) en las redes neurales se asemejan a las neuronas reales, en el hecho de
que estas también están interconectadas y que pueden ser activadas por señales
recibidas de un largo número de otras neuronas. No obstante, las redes neurales
reales son infinitamente más complejas. Una neurona individual puede tener
miles de conexiones a otras neuronas y ningún modelo de este tamaño ha sido
probado nunca.
BIBLIOGRAFÍA
Bermúdez, José
Luis (2014). Cognitive science. An introduction to the science of the
mind. 2nd edition
Houdé, Olivier (2004). Dictionary of cognitive science.
Neuroscience, psychology, artificial intelligence, linguistics, and philosophy
Ward, Jamie (2015). The student’s guide to cognitive neuroscience. 3rd edition
Comments
Post a Comment