Tutorial sobre Redes Neuronales Artificiales: Los Mapas Autoorganizados de Kohonen.

RESUMEN

En los últimos quince años, las redes neuronales artificiales (RNA) han emergido como una potente herramienta para el modelado estadístico orientada principalmente al reconocimiento de patrones ?tanto en la vertiente de clasificación como de predicción. Las RNA poseen una serie de características admirables, tales como la habilidad para procesar datos con ruido o incompletos, la alta tolerancia a fallos que permite a la red operar satisfactoriamente con neuronas o conexiones dañadas y la capacidad de responder en tiempo real debido a su paralelismo inherente. Actualmente, existen unos 40 paradigmas de RNA que son usados en diversos campos de aplicación. Entre estos paradigmas, podemos destacar la red backpropagation y los mapas autoorganizados de Kohonen. La red backpropagation, mediante un esquema de aprendizaje supervisado, ha sido utilizada satisfactoriamente en la clasificación de patrones y la estimación de funciones. La descripción de este tipo de red se puede encontrar en un documento anterior. En el presente documento, nos proponemos describir otro de los sistemas neuronales más conocidos y empleados, los mapas autoorganizados de Kohonen. Este tipo de red neuronal, mediante un aprendizaje no supervisado, puede ser de gran utilidad en el campo del análisis exploratorio de datos, debido a que son sistemas capaces de realizar análisis de clusters, representar densidades de probabilidad y proyectar un espacio de alta dimensión sobre otro de dimensión mucho menor. A fin de asegurar la comprensión de los conceptos expuestos por parte del lector y, al mismo tiempo, explotar al máximo los recursos que nos ofrece la Web, tal descripción irá acompañada de applets y software ilustrativos, los cuales estarán a disposición del lector via internet.