Mapa autoorganizado (Self-organizing map)

Los SOM se diferencian de otros tipos de redes neuronales principalmente en su objetivo y en la forma en que aprenden. Mientras que la mayoría de las redes neuronales están diseñadas para realizar tareas de predicción o clasificación, los SOM están orientados a la visualización y exploración de datos de alta dimensión.

El aprendizaje en los SOM es no supervisado, es decir, no requieren datos etiquetados para el entrenamiento. En lugar de minimizar un error de predicción como en las redes supervisadas, los SOM aprenden a representar los datos de entrada en una topología de dos dimensiones preservando las propiedades topológicas de los datos originales. Esto significa que intentan asegurar que datos similares en el espacio de entrada sean mapeados a posiciones cercanas en el mapa.

Además, los SOM utilizan una técnica de aprendizaje competitivo, donde las neuronas de la red compiten entre sí para representar los datos de entrada, y durante este proceso, la red se autoorganiza de manera que diferentes regiones del mapa se vuelven especializadas en diferentes patrones o características de los datos. Esto contrasta con el aprendizaje basado en gradientes de la mayoría de las redes neuronales, donde todas las neuronas se ajustan en conjunto durante el proceso de aprendizaje.