En el mundo de la programación, las computadoras y la inteligencia artificial, una red neuronal de retropropagación es simplemente una especie de red neuronal artificial (ANN) que utiliza la retropropagación. La retropropagación es fundamental y es un algoritmo de uso común que instruye a una ANN sobre cómo llevar a cabo una tarea determinada. Aunque este concepto puede parecer confuso, y después de mirar las ecuaciones que se requieren durante el proceso parece completamente extraño, este concepto, junto con la red neuronal completa, es bastante fácil de entender.
Para quienes no estén familiarizados con las redes neuronales, una ANN, o simplemente una NN que significa «red neuronal», es un modelo matemático que sigue el patrón de ciertas características de las redes neuronales de la vida real, como las que se encuentran en los seres vivos. El cerebro humano es la red neuronal definitiva cuyo funcionamiento proporciona algunas pistas sobre cómo mejorar la estructura y el funcionamiento de las NN artificiales. Como un cerebro más rudimentario, una ANN tiene una red de neuronas artificiales interconectadas que procesan información.
Lo fascinante es que una RNA puede adaptar y modificar su estructura cuando sea necesario, de acuerdo con la información que recibe del entorno y de la red. Es un modelo computacional sofisticado que utiliza análisis de datos estadísticos no lineales y es capaz de interpretar relaciones complejas entre datos como entradas y salidas. Puede resolver problemas que no se pueden resolver con métodos computacionales tradicionales.
La idea de una red neuronal de retropropagación surgió por primera vez en el año 1969 a partir del trabajo de Arthur E. Bryson y Yu-Chi Ho. En años posteriores, otros programadores y científicos refinaron la idea. A partir de 1974, la red neuronal de retropropagación llegó a ser reconocida como un avance innovador en el estudio y la creación de redes neuronales artificiales.
El aprendizaje de redes neuronales es una tarea importante dentro de una RNA que garantiza que continúe procesando datos correctamente y, por lo tanto, realice su función correctamente. Una red neuronal de retropropagación utiliza una forma generalizada de la regla delta para permitir el aprendizaje de la red neuronal. Esto significa que hace uso de un profesor que es capaz de calcular las salidas deseadas a partir de ciertas entradas alimentadas a la red.
En otras palabras, una red neuronal de retropropagación aprende con el ejemplo. El programador proporciona un modelo de aprendizaje que demuestra cuál sería la salida correcta, dado un conjunto específico de entradas. Este ejemplo de entrada-salida es el maestro, o modelo, después del cual otras partes de la red pueden modelar cálculos posteriores.
Todo el proceso procede metódicamente en intervalos medidos. Dado un conjunto definido de entradas, la ANN aplica el cálculo aprendido del modelo para generar una salida inicial. Luego compara esta salida con la salida originalmente conocida, esperada o buena, y realiza los ajustes necesarios. En el proceso, se calcula un valor de error. Esto luego se propaga hacia adelante y hacia atrás a través de la red neuronal de retropropagación hasta que se determina la mejor salida posible.