Qué vamos a aprender en la asignatura de Redes neuronales y algoritmos genéticos

By 10 abril, 2019asignatura
Lluis García Raffi Jose Manuel Calabuig Investmat redes neuronales

Lluís García Raffi, catedrático del departamento de Matemática Pura y aplicada y responsable de la asignatura junto con José Manuel Calabuig Rodríguez, nos explica qué aprenderemos durante las clases de Redes neuronales y algoritmos genéticos.

¿Qué hacer cuando deseamos aproximar un conjunto de datos por una función de la que no conocemos nada? ¿Cómo decidir si un tumor es maligno o benigno a partir de un conjunto de datos clínicos? ¿Cómo saber si un conjunto de datos guardan relación entre sí y pueden ser agrupados por categorías?  ¿Cuánta gente utilizará el Valenbisi mañana?

Los humanos hemos desarrollado habilidades que nos permiten aprender de situaciones vividas para, a partir de ellas, ser capaz de dar una respuesta a situaciones como éstas. Nuestro cerebro es capaz de aprender. Sería fantástico si dispusiéramos de una herramienta matemática que permitiera “emular” al cerebro y aprender de los datos, ser capaz de “matematizar la fenomenología”. Básicamente eso es lo que hacen las Redes Neuronales Artificiales, RNA, que viven una segunda edad de oro a través del “Deep Learning” o aprendizaje profundo. En nuestro curso veremos las bases matemáticas del funcionamiento de las redes en los cuatro grandes problemas donde se aplican: Predicción (series temporales), Agrupamiento de datos, Clasificación de datos y Aproximación de funciones, PACA.  Las redes se inscriben con otras técnicas dentro de un área conocida como “Machine Learning” que a su vez se inscribe en un área más grande, la de la Inteligencia Artificial, IA.

Pero no es la única técnica que inspira la biología. Desde que Darwin estableciera su teoría de la evolución, la supervivencia de los más adaptados al medio se ha convertido en un principio básico a la hora de buscar soluciones a problemas de optimización. Los Algoritmos Genéticos, “imitando” los procesos de la selección natural, se ocupan de este tipo de problemas.  Por eso aparece, dentro de las matemáticas, una nueva jerga que nos habla de poblaciones de soluciones, de mutación, entrecruzamiento… Estos algoritmos son una muy buena solución cuando tenemos que trabajar con optimización de funciones que son complicadas, tenemos poca información sobre las mismas, situaciones con aritmética mixta (variables reales y enteras…). En general, es una forma muy flexible y más eficiente que el “random search” para encontrar buenas aproximaciones a soluciones óptimas.

Lluís García Raffi es catedrático en el departamento de Matemática Pura y aplicada de la UPV.