Neuroevolución

La neuroevolución es una forma de aprendizaje automático que utiliza algoritmos evolutivos para entrenar una red neuronal . Este enfoque se utiliza en industrias tales como juegos y control de unidades robóticas . En estos casos, basta simplemente con medir el rendimiento de una red neuronal, mientras que es muy difícil o casi imposible implementar el aprendizaje supervisado. Este método de aprendizaje pertenece a la categoría de métodos de aprendizaje por refuerzo .

Características

Existe un gran número de algoritmos neuroevolutivos, que se dividen en dos grupos. El primer grupo incluye algoritmos que producen la evolución de pesos para una topología de red dada , el otro incluye algoritmos que, además de la evolución de pesos, también producen la evolución de la topología de red. Aunque no existen condiciones generalmente aceptadas para hacer distinciones, se acepta que la adición o eliminación de enlaces en la red durante la evolución se denomina complicación o simplificación, respectivamente. Las redes que evolucionan tanto en las conexiones como en la topología se denominan TWEANN (Redes neuronales artificiales con evolución de topología y peso).

Codificación directa e indirecta de redes neuronales

Los algoritmos evolutivos manipulan múltiples genotipos. En neuroevolución , un genotipo es una representación de una red neuronal. En un esquema de codificación directa, el genotipo es equivalente al fenotipo , las neuronas y las conexiones se especifican directamente en el genotipo. Por el contrario, en el esquema con codificación indirecta en el genotipo, se indican las reglas y estructuras para crear una red neuronal.

La codificación indirecta se utiliza para lograr los siguientes objetivos:

la capacidad de formar y utilizar estructuras y patrones recursivos
transformación del fenotipo en un genotipo más pequeño, reducción del espacio de búsqueda
mapeo del espacio de búsqueda al modelo del dominio del problema del conocimiento

Véase también

Biónica

Aprendizaje automático y minería de datos
Tareas	Problema de clasificación Aprender sin un maestro Aprendizaje asistido por profesores Análisis de regresión AutoML reglas de asociación Extracción de características entrenamiento de rasgos Entrenamiento de clasificación Derivación gramatical Aprender en línea
Aprendiendo con un maestro	método del k-vecino más cercano Clasificador bayesiano ingenuo árbol de decisión Máquinas de vectores soporte Regresión lineal Regresión logística perceptrón conjuntos de modelos Harpillera impulsar bosque aleatorio Método de vector relevante
análisis de conglomerados	método k-medias método de agrupamiento difuso Agrupación jerárquica algoritmo EM ABEDUL CURAR DBSCAN ÓPTICA Desplazamiento medio
Reducción de dimensionalidad	Análisis factorial Método de componentes principales CCA ACI LDA Expansión de matriz no negativa t-SNE
Pronóstico estructural	Graficar modelo probabilístico red bayesiana Modelo oculto de Markov FRC
Detección de anomalías	método del k-vecino más cercano Nivel de emisión local
Graficar modelos probabilísticos	red bayesiana Red de Markov Modelo oculto de Markov
Redes neuronales	Máquina Boltzmann limitada mapa autoorganizado Función de activación Sigmoideo softmax Funcion de base radial Método de propagación hacia atrás Aprendizaje profundo perceptrón multicapa Red neuronal recurrente memoria a corto plazo Bloque recurrente controlado Red neuronal convolucional U-red Codificador automático
Aprendizaje reforzado	proceso de Markov Ecuación de Bellman Algoritmo codicioso Q-aprendizaje SARAS Diferencia temporal (DT)
Teoría	Teoría de Vapnik-Chervonenkis Dilema de dispersión de sesgo Teoría del aprendizaje computacional Minimización empírica del riesgo El aprendizaje de Occam aprendizaje PAC Teoría del aprendizaje estadístico
revistas y congresos	NeurIPS ICML ML JMLR ArXiv:cs.LG