Discusión sobre el artículo "Red neuronal en la práctica: Cuándo usar una neurona artificial y entender su función en MQL5"

[MetaQuotes]

Artículo publicado Red neuronal en la práctica: Cuándo usar una neurona artificial y entender su función en MQL5:

Implementamos en MQL5 una neurona entrenada mediante descenso de gradiente estocástico y comparamos su función de costo con la regresión lineal. Mostramos, mediante código y gráficos, cómo la normalización, la elección de la tasa de aprendizaje y la estructura del problema afectan a la convergencia. El artículo ofrece una guía para depurar el entrenamiento, interpretar el comportamiento del error y seleccionar la arquitectura o la función de activación adecuada.

Con todo lo que los medios, los influencers, etc. llevan diciendo desde hace algún tiempo, da la impresión de que no podremos vivir sin redes neuronales. Como si fueran la octava maravilla del mundo moderno. La realidad no es exactamente así. El estudio de las redes neuronales, como habrás visto en los artículos anteriores, constituye un campo de investigación bastante interesante. En términos generales, sin embargo, tienen limitaciones y pueden fallar. No pueden manejar determinados tipos de problemas y no son tan versátiles como muchos afirman.

En muchos casos, un programa diseñado para resolver un problema concreto será considerablemente más eficiente que cualquier red neuronal que podamos construir. Esto se debe a varios factores. Si tú, mi querido lector, decides utilizar una red neuronal para una tarea, tendrás que entrenarla para que pueda realizarla. Además, puede ocurrir que ni siquiera consiga interpretar los datos con los que intentas entrenarla.

Hasta ahora no había mencionado este punto. Aunque no siempre es necesario, la mayoría de las veces tendrás que normalizar los valores que utilizará la red neuronal. Más adelante veremos por qué, pero conviene que lo tengas presente. A veces tendrás que normalizar los valores de entrada o ajustarlos a un intervalo determinado. Si no lo haces, la red neuronal no conseguirá converger ni producir una representación adecuada de los datos de entrenamiento.

Autor: Daniel Jose