Concepto
La explicación se centrará en los mapas autoorganizativos de Kohonen (Kohonen's Self-organizing map). Son un subtipo de redes de neuronas artificiales clasificadas dentro del aprendizaje no supervisado. Se diferencian dos capas, una primera capa de entrada y una segunda capa de competición.
La primera recibe el vector de información de entrada y propaga por las conexiones para que llegue la información a la capa de competición.
En la segunda, cada célula que la compone produce una salida (típicamente basada en el cálculo de distancias, por ejemplo: la distancia euclídea). Todas estas salidas son comparadas entre sí, para seleccionar aquella que produzca la mejor de ellas, entonces ésta será la ganadora y un posible valor futuro. Este proceso se repite hasta conseguir un cierto nivel de eficiencia o seguridad.
A continuación se muestra un esquema, donde se puede ver gráficamente todo lo explicado anteriormente:
APLICACIÓN EN LA EXTRACCIÓN DE INFORMACIÓN
La aplicación más generalizada de los mapas autoorganizativos se da en las tareas
de clasificación no supervisada de la información, o de
extracción de características más relevantes de un conjunto de datos. Su objetivo
es que dado un conjunto de datos, se desea conocer las agrupaciones a partir de
unas características, pero tanto los agrupamientos como las características se desconocen,
es decir, a partir de un conjunto n-dimensional de datos, se obtiene uno x-dimensional
donde x<<y, además de presevar las características topológicas de los datos.
![[Valid RSS]](valid-rss.png "Validate my RSS feed")
![[Valid Atom 1.0]](valid-atom.png "Validate my Atom 1.0 feed")
