Métodos evolutivos para el aprendizaje de redes neuronales

Resumen

Uno de los aspectos más importantes en el uso de las redes neuronales es el del entrenamiento o aprendizaje: a partir de unos vectores de nuestra o entrenamiento, se ajustan los pesos de los enlaces entre las diferentes capas de neuronas que componen la red para minimizar una función de error, es decir, para ajustar las salidas producidas por la red, a las esperadas, Sin embargo el método de aprendizaje más comúnmente usado, la propagación hacia atrás y en general todos los métodos basados en el gradiente, tienen unas limitaciones muy conocidas: convergencia a mínimos locales muy dependientes de la solución inicial, y por lo general, muy alejados de los óptimos globales. Técnicas más recientes de optimización global como Algoritmos Genéticos, Temple Simulado o Búsqueda Tabú son usados como métodos de aprendizaje alternativos y en muchos casos consiguen mejorar notablemente las soluciones obtenidas. Ejemplo del uso de redes neuronales que no requieran un método de aprendizaje rápido es el "predecir" o determinar si un determinado cliente que pide un crédito a un banco va a ser capaz de pagar ese crédito o no. Otros ejemplos muy típicos, en nuestro campo o en campos próximos, de este tipo de aplicaciones son el uso de las redes como métodos de clasificación o predicción en estudios econométricos o estadísticos tales como: Predicción de Quiebra o Solvencia de determinadas entidades financieras o empresas, Análisis de valores bursátiles, etc... Por el contrario no es fácil encontrar aplicaciones de redes neuronales en las que se requiera un método de aprendizaje rápido. Sin embargo un tipo de estas aplicaciones que está surgiendo muy recientemente es la optimización de simulaciones. Los métodos para obtener una óptima o pseudo-óptima solución o combinación de parámetros tienen el inconveniente de que determinar o estimar la función objetivo de cada solución puede requerir un tiempo de computac