Los Mapas Auto-organizados (SOM, por sus siglas en inglés de "Self-Organizing Maps") son una técnica de aprendizaje no supervisado utilizada en el campo de la inteligencia artificial y el machine learning.

El algoritmo SOM se basa en la idea de que los datos de entrada se organizan en un mapa topológico bidimensional, en el que los puntos cercanos en el mapa representan patrones similares en los datos de entrada. Durante el entrenamiento del modelo SOM, los datos se presentan al mapa, y los pesos de los nodos se ajustan de acuerdo con los patrones en los datos de entrada.

Los mapas auto-organizados son útiles para la visualización de datos multidimensionales y la detección de patrones en grandes conjuntos de datos. También se utilizan en la reducción de la dimensionalidad, que es el proceso de representar datos complejos en un espacio de menor dimensión, lo que facilita el análisis y la visualización de los datos.

Los mapas autoorganizados se diferencian de otras redes neuronales artificiales porque aplican un aprendizaje competitivo en contraposición al aprendizaje de corrección de errores. SOM utiliza una función de vecindad para preservar las propiedades topológicas del espacio de entrada.

Los mapas auto-organizados han encontrado aplicaciones en una variedad de áreas, incluyendo el procesamiento de imágenes y señales, la clasificación de documentos, la identificación de genes, el análisis de datos de sensores y la exploración de grandes conjuntos de datos.

Referencia: Teuvo Kohonen. Self-Organized Formation of Topologically Correct Feature Maps.