Redes neuronales artificiales y estadistica

Ha habido mucha publicidad acerca de la habilidad de las redes neuronales
artificiales para aprender y generalizar. En realidad, las redes
neuronales mas comunmente usadas, llamadas perceptron multicapa, no son
mas que modelos discriminantes y de regresiOn lineal que pueden ser
implementados con software standar para estadIstica.

Las redes neuronales artificiales son usadas principalmente de
tres maneras :

- para modelizar los sistemas nerviosos biologicos y la "inteligencia"
- como procesadores adaptativos de se~ales para aplicaciones en
  tiempo real implementados en hardware
- como mEtodos analIticos de datos

En el caso del anAlisis de datos, la modelizaciOn biolOgica y la 
factibilidad de implementaciOn son irrelevantes.
En este caso las redes neuronales "aprenden" de una forma similar
a como los algoritmos en estadIstica estiman. Los algoritmos 
estAndar de redes neuronales son ineficientes porque estAn 
dise~ados para ser implementados en computadores masivamente
paralelos y en realidad son ejecutados en mAquinas secuenciales
como un simple PC.
En pocas palabras, un perceptrOn multicapa es un "aproximador 
universal", es decir que pueden ser usados en aplicaciones donde
no se tiene mucho conocimiento sobre la relaciOn entre las
entradas (variables independientes en estadIstica) y las salidas 
(variables dependientes). Con un peque~O nUmero de neuronas en
la capa escondida (un perceptrOn multicapa esta formado por una
capa de neuronas de entrada, una de neuronas de salida y una o
varias capas de neuronas intermedias o escondidas) un PerceptrOn
multicapa (MLP) es un modelo paramEtrico que provee una alternativa
Util de regresiOn polinomial, y cuando el MLP tiene la capacidad
de variar su tama~o, el MLP se convierte en un -nonparametric sieve-

En el caso de los algoritmos no supervisados, generalmente se utiliza
una medida de similitud entre las entradas y los pesos de la red.
Comunmente se usa la distancia Euclidiana. Definiendo ahora esta
distancia como entrada a la red, una red competitiva se asimila
al mEtodo k-means clustering.
Algunos modelos como ART (adaptive Resonance Theory) que estAn 
basados explicitamente de la neurofisiologIa no tienen ningUn
modelo estadIstico paralelo.

Las redes neuronales artificiales y la estadIstica no son metodologIas
que compiten entre si para el anAlisis de datos. Existe un considerable
traslape entre ambas disciplinas. Mejor comunicaciOn entre ambos campos
estadIstica y redes neuronales los beneficiarIa a ambos.

[1] Warren S. Sarle, Neural Networks and Statistical Models
    SAS Institute, NC, USA