4.1 Motivación e interés del empleo de redes neuronales

Las redes neuronales son una técnica especialmente apropiada para modelizar relaciones no lineales entre un conjunto moderado o grande de variables. Muchos problemas físicos, biológicos, sociales y económicos son de este tipo. Algunos son problemas en los que se utilizan mediciones en dominios analógicos (visuales, auditivos, etc.) que deben "transducirse" en dimensiones digitales, deben integrarse e interpretarse como información relevante para decidir cuestiones de movimiento, reconocimiento de formas, planificación de trayectorias, etc. Esta es el área de la robótica. Pero, para cualquier problema que involucre relaciones complejas y difíciles de definir entre diversas variables, las redes neuronales son buenas candidatas.

Sin embargo, si bien las redes neuronales poseen gran flexibilidad y potencia para modelizar problemas complejos, es necesario calificar un poco esta cuestión para evitar confusiones. Si las relaciones no lineales pueden caracterizarse mediante algún tipo de ecuación (esto ocurre usualmente en dominios científicos como la física o la química, pero no es habitual en la mayoría de las aplicaciones de data mining, por ejemplo), las redes neuronales pueden constituir un aparato excesivo: técnicas de regresión no lineal más restringidas podrían ser más cómodas de usar.

4.2 Aplicaciones
4.2.1 Pronósticos

La computación neuronal provee un acercamiento mayor al reconocimiento y percepción humana que los métodos tradicionales de cálculo. Las redes neuronales artificiales presentan resultados razonables en aplicaciones donde las entradas presentan ruido o las entradas están incompletas. Algunas de las áreas de aplicación son las siguientes:

4.2.2 Reconocimiento de Patrones

Son los medios por los cuales se puede interpretar el mundo. Es la ciencia que se ocupa de los procesos sobre ingeniería, computación y matemáticas relacionados con objetos físicos y/o abstractos, con el propósito de extraer información que permita establecer propiedades de o entre conjuntos de dichos objetos.

Reconocimiento Estadístico de Patrones: Este enfoque se basa en la teoría de probabilidad y estadística y supone que se tiene un conjunto de medidas numéricas con distribuciones de probabilidad conocidas y a partir de ellas se hace el reconocimiento.

Reconocimiento Sintáctico de Patrones: Este enfoque se basa en encontrar las relaciones estructurales que guardan los objetos de estudio, utilizando la teoría de lenguajes formales. El objetivo es construir una gramática que describa la estructura del universo de objetos.

Redes Neuronales: Este enfoque supone que tiene una estructura de neuronas interconectadas que se estimulan unas a otras, las cuales pueden ser “entrenadas” para dar una cierta respuesta cuando se le presentan determinados valores.

Reconocimiento Lógico Combinatorio de Patrones: Este enfoque se basa en la idea de que la modelación del problema debe ser lo más cercana posible a la realidad del mismo, sin hacer suposiciones que no estén fundamentadas. Uno de los aspectos esenciales del enfoque es que las características utilizadas para describir a los objetos de estudio deben ser tratadas cuidadosamente.

4.2.3 Simulación

http://upload.wikimedia.org/wikipedia/commons/6/64/RedNeuronalArtificial.png

4.3 Desarrollo de una aplicación con redes neuronales
4.3.1 Utilización de Neuroshells

NeuroShell es software de creación de sistema de comercio. No es un sistema de comercio en su propio derecho, es un conjunto de herramientas de ambos tradicionales y técnicas de inteligencia artificial (AI) se pueden combinar para formar modelos comerciales computarizados. Los modelos pueden constar de indicadores y normas como los comerciantes han utilizado durante años, las técnicas de inteligencia artificial, o híbridos de ambos. Se va a construir modelos para la renta variable, futuros, commodities, opciones, divisas, índices y más. Usted puede construir modelos para el intercambio de todo el mundo, como el NYSE, AMEX, FTSE, DAX, ASX, TSX, SFE, y muchos más. Para construir los modelos que sólo tiene que ser capaz de obtener datos para el instrumento o el intercambio en el que estás interesado. A continuación, los modelos que has construido automáticamente copia de prueba, y siguen dando señales en el futuro a medida que llegan nuevos datos.

4.3.2 Codificación con C++

http://i.msdn.microsoft.com/hh975375.McCaffrey_Figure%202_hires%28en-us,MSDN.10%29.jpg