Universidad de Guayaquil.
Redes neuronales y el comportamiento de las
mismas en la actualidad.
Cruz Herrera Michael, Lindao Alfonso William y Pereira Montalvo Jorge.
Universidad de Guayaquil, Facultad de Ciencias, Matemáticas y Físicas.
Carrera de Ing. en Software.

Resumen – En este documento queremos desarrollar y
presentar un concepto al lector sobre nuestra investigación
realizada a una de las ramas de la Inteligencia Artificial, la
cual es conocida como las Redes neuronales. Queremos
mostrar un concepto sobre nuestro tema y a su vez brindar una
breve descripción del funcionamiento y características de las
redes neuronales. Además, mediante el uso de imágenes
mostrar modelos sencillos de redes neuronales. Se presentará
mediante un video informativo la información de dicho
documento.
I. INTRODUCCIÓN.
E n la actualidad unos de los temas tecnológicos más
destacados y reconocidos de la época es la Inteligencia
Artificial (IA) la cual tiene como propósito generar maquinas
la cuales puedan presentar las mismas capacidades mentales a
las del ser humano. El ya mencionado tema presenta dudas si
se conseguirá dicho objetivo en un futuro o no se logrará, ya
que la dicha tecnología aún resulta demasiado distante de
nuestra época actual. Aquí es donde entra una de las ramas
más importantes en este campo científico las Redes
Neuronales Artificiales (RNAs).
Las RNAs. buscan como emular el comportamiento y
funciones del cerebro humano, el cual está caracterizado por
sus acciones de aprendizaje a través de la experimentación y la
extracción de conocimientos a partir de un conjunto de datos.
Este sistema intenta imitar de manera esquemática la
estructura neuronal del cerebro, esta estructura busca ser
construida o representada mediante un programa de ordenador
(simulación). El funcionamiento del cerebro humano es
prácticamente distinto al funcionamiento de una maquina
digital normal, ya que el cerebro es considerado un sistema
altamente complejo, no lineal y paralelo. Expresado en
términos más sencillos el cerebro humano puede realizar
operaciones diferentes y simultáneamente mientras que una
computadora está diseñada para realizar procesos de forma
secuencial, es decir solo realizar una operación.

II. LAS REDES NEURONALES ARTIFICALES
(RNAS)
Son un modelo matemático generado principalmente por la
búsqueda de la inteligencia artificial, el cual está inspirado en
el comportamiento biológico de las neuronas y como estas se
organizan en el cerebro formando así su estructura.
Las computadoras utilizan una arquitectura del topo Von
Neuman, la cual está basada en un modelo el cual contiene un
microprocesador muy rápido el cual es capaz de ejecutar unas
series de instrucciones complejas y de una forma fiable,
mientras que el cerebro humano este compuesto por millones
de procesadores elementales o las llamadas neuronas,
interconectadas entre si formando un conjunto de redes
denominadas redes neuronales.
III. NEURORED Y SUS CARACTERISTICAS.
Las redes neuronales son denominadas en la actualidad como
neuroredes las cuales son consideradas tramitadoras de
grandes cantidades de información, y están conformadas por
muchas unidades de procesamiento. Estas tienen una serie de
características las cuales son:
 Tienen un estímulo de adquirir el conocimiento
generado a través de la experiencia, el cual es
almacenado, al igual que en el cerebro.
 Tienen una altísima plasticidad y Gran adaptabilidad,
son capaces de cambiar dinámicamente junto con el
medio.
 Estas poseen un alto nivel de tolerancia a las fallas, es
decir, que estas pueden recibir daños considerables y
pueden continuar teniendo un buen comportamiento,
al igual que les ocurre en los sistemas biológicos.
 Poseen un comportamiento altamente no- lineal ya
antes mencionado, lo cual les permite procesar
información procedente de otros fenómenos no-
lineales.
IV. EL CEREBRO VS LAS COMPUTADORAS.
Como lo anteriormente mencionado los científicos intentan
crear inteligencia artificial utilizando como modelo el cerebro
humano, ya que buscan que la I.A logre y pueda realizar lo
mismo. Nuestro cerebro es considerado un procesador de
información muchísimo más eficiente que una computadora ya
que mencionamos que este no tiene una forma de procesar la
información linealmente como lo hace una computadora.
 Universidad de Guayaquil. 2

Bajo este modelo esquemático las RNAs intentan copiar el

funcionamiento de las neuronas del cuerpo humano.
Para que dichas neuronas trabajen existen métodos los
cuales nos ayudan a saber si las RNAs están bien
desarrolladas.

VI. MACHINE LEARNING.

En el cuadro comparativo busca ampliar en contexto las
diferencias entre el cerebro humano y las computadoras.
V. IMPLEMENTACION.
Si bien hablando biológicamente hay varios distintos tipos
de neuronas. La función principal de las mismas es la
transmisión de impulsos nerviosos, la manera en que
nosotros respondemos a los estímulos del mundo, y el
aprendizaje que podemos obtener del mismo, está
prácticamente unido con las conexiones neuronales del
cerebro y las RNAs quieren intentar emular eso.
En las múltiples áreas que comprende la inteligencia artificial,
se encuentra el tema del aprendizaje automático, o conocido
en inglés como Machine Learning (ML).
ML es un sistema basado en algoritmos el cual pretenden que
las maquinas aprendan la toma de decisiones si necesidad de
estar programadas. Es por esto que hoy en día podemos
conocer algo sobre los automóviles de conducción autónoma,
los conocidos agentes virtuales utilizados en la atención al
cliente (chatbots), los también llamados sistemas de
recolección y recomendación de datos.

Las RNAs utilizan un modelo de capas las cuales se

encargarán de procesar la información:

1. La primera capa es la encargada de recibir como

entrada los datos reales que alimentaran a la red
neuronal que se estará creando, y se la conoce
como capa de entrada.
2.
3. La última capa prácticamente será el resultado
visible una vez que este haya pasado por la red, y se
la conoce como capa de salida.
4.
5. Las capas que se sitúan entre la capa de entrada y la
de salida se las conoce como las capas ocultas ya
que prácticamente desconocemos los valores de
entrada como los de salida.
 Universidad de Guayaquil. 3

VII. APRENDIZAJE SUPERVISADO (SUPERVISED entradas no están clasificados ni etiquetados, y prácticamente

MACHINE LEARNING). no son necesarias estas características para utilizar este
modelo. Una aplicación de estos métodos es la compresión de
imágenes.
El modelo de aprendizaje supervisado es un modelo que se
genera predictivamente, y esta basada en entrada y salida de
datos. El modelo tiene como idea el tener un conjunto de datos
 K-medias (K-means).
previamente clasificado y etiquetados, es decir, tener un
conjunto de muestras el cual ya se sabe a que grupo, valor o
categoría pertenecen los ejemplos.  Mezcla de Gaussianas (Gaussian mixtures).
Este modelo ha sido implementado en la programación de
vehículos autónomos. Este sistema se divide en diferentes  Agrupamiento jerárquico (Hierarchical clustering).
métodos y algoritmos que también utilizan la base del
aprendizaje supervisado como los siguientes:  Mapas auto-organizados (Self-organizing maps).

 K vecinos más próximos (K-nearest neighbors)

 Redes neuronales artificiales (Artificial neural

networks)

 Máquinas de vectores de soporte (Support vector

machines)

 Clasificador Bayesiano ingenuo (Naïve Bayes

classifier)

 Árboles de decisión (Decision trees)

 Regresión logística (Logistic regression)

IX. APRENDIZAJE POR REFUERZO

(REINFORCEMENT LEARNING)

En el modelo de refuerzo se definen los modelos y funciones

enfocadas en maximizar una medida de “recompensas”,
basadas en acciones y al ambiente en el que el agente
inteligente se desempeñara.
Este algoritmo es unido a la psicología conductista de los
humanos, ya que es un modelo que aplica la acción-
recompensa, que busca que el algoritmo se ajuste a la mejor
recompensa dada por el ambiente. Este tipo de métodos
pueden usarse para hacer que robots aprendan a realizar
diferentes tareas. Entre algunos algoritmos podemos nombrar:

 Programación dinámica (Dynamic programming).

VIII. APRENDIZAJE NO SUPERVISADO  Q-learning.

(UNSUPERVISED MACHINE LEARNING).
 SARSA.
El método de aprendizaje no supervisado trabaja de una forma
similar al supervisado, solo con la diferencia de que estos solo
se ajustan a su modelo predictivo tomando en cuenta los datos
de entrada, sin importar los de salida. Es decir que los datos de
 Universidad de Guayaquil. 4

X. CONCLUSIÓN.

Según muchos científicos a la larga las maquinas realizaran el

trabajo del hombre, aunque sea un futuro incierto se sigue
trabajando a fondo de en tema de la I.A. y como dimos a
conocer en nuestro informe su implementación toma su punto
de origen desde las RNAs, solo toca esperar que depara el
destino en los avances tecnológicos.
¿Y tu que opinas sobre el tema?

XI. BIBLIOGRAFÍA
Gonzales, J. L. (2018). Tipos de Aprendizajes. Mexico.
Olivera, O. G. (2016). Redes Neuronales. Mexico.
Raquel Flores Lopez, J. M. (2008). Las Redes Neuronales
artificiales. Netbiblo.