Para empezar, existen distintos modelos de redes neuronales, siendo uno de los más utilizados el del "Perceptron".
Esta red se basa en una "caja negra", donde lo importante es la predicción, y no cómo se hace.
El proceso incluye una fase de entrenamiento (training) para la optimización de las predicciones.
Los elementos de la red son:
- Las neuronas o nodos
- Las capas
- De entrada
- De salida
- Oculta (puede tener a su vez varias capas)
- Los pesos
- La función de combinación
- La función de activación
- El objetivo (target)
Una descripción "grosso modo" podría ser: Los nodos (neuronas) de la capa de entrada, se combinan con los nodos de la capa oculta mediante la función de combinación, que suele ser una combinación lineal de los nodos de entrada mediante los pesos. A las neuronas de las capas ocultas, se aplica una función de activación, que suele ser la tangente hiperbólica de la anterior combinación más un parámetro por nodo oculto, con la que estimamos las neuronas de la capa de salida, y sus errores.
Recursos:
En Wikipedia: RNA, Perceptrón.
En este documento de la Universidad Carlos III de Madrid hay una introducción bastante bien explicada, con ejemplos en R:
Introducción a las redes neuronales aplicadas uc3m)
Paquete nnet
Se puede instalar desde los repositorios
Documentación
Paquete RWeka
Se puede instalar desde los repositorios
Documentación
Paquete neural
Documentación
neural no está en los repositorios, para instalar:
- Descargar de http://cran.r-project.org/src/contrib/Archive/neural/
- Instalar desde ubicación local
Paquete AMORE
Se puede instalar desde los repositorios. Es un paquete desarrollado en la Universidad de León, con abundante documentación.
Documentación
Wiki
Ejemplo
Próximamente
