Redes neuronales

http://research.iac.es/sieinvens/SINFIN/Sie_Courses_PDFs/NNets/confiac.pdf

Concepto

Una red neuronal puede aproximar una amplia gama de modelos predictivos con demandas
mínimas sobre la estructura y asunción de modelos. La forma de las relaciones está
determinada durante el proceso de aprendizaje. Si una relación lineal entre el objetivo y los
predictores es apropiada, los resultados de la red neuronal deben aproximarse mucho a los
del modelo lineal tradicional. Si una relación no lineal es más apropiada, la red neuronal
aproximará automáticamente la estructura de modelo "correcta".

El equilibrio de esta flexibilidad es que la red neuronal no es fácilmente interpretable. Si

intenta explicar un proceso subyacente que genera las relaciones entre el objetivo y los
predictores, se debería utilizar mejor un modelo estadístico más tradicional. Sin embargo, si
la interpretabilidad del modelo no es importante, puede obtener buenas predicciones
utilizando una red neuronal.

https://www.ibm.com/support/knowledgecenter/es/SS3RA7_sub/modeler_mainhelp_client_d
dita/components/neuralnet/idh_neuralnet_basics.html

https://www.atriainnovation.com/que-son-las-redes-neuronales-y-sus-funciones/

Origen y cronología
La primera investigación sobre este tema comenzó a principios del siglo XIX, pero no se
desarrolló hasta las décadas de 1940 y 1950 en la década de 2040 debido al movimiento
conexionista. Este movimiento apoya la premisa de que el secreto del proceso de
aprendizaje y conocimiento es fundamentalmente indudablemente axiomas o verdad, el
conocimiento es independiente de la estructura manipulada por símbolos y la
representación del conocimiento se construye desde el nivel más básico de
conocimiento, inteligencia. El cerebro, especialmente las neuronas y sus múltiples
conexiones. Debido a la aparición de autores como Minsky y Papert (1969), este gran
interés en las redes neuronales disminuyó gradualmente en la década de 1970, y
expresaron las limitaciones del proceso de aprendizaje de las arquitecturas de redes
neuronales. El principio central del conexionismo es que los fenómenos psicológicos
pueden describirse mediante una red de unidades simples y a menudo iguales
conectadas entre sí.

Las primeras investigaciones sobre el tema, datan aproximadamente de principios del siglo XIX
pero no fue hasta la década de los años 40 y 50, en el siglo XX, cuando cobró mayor fuerza,
gracias al movimiento Conexionista. Este movimiento sostenía la premisa de que el secreto del
proceso del aprendizaje y el conocimiento se halla fundamentalmente en axiomas o verdades
incuestionables y que el conocimiento es independiente de la estructura que manejen los
símbolos, y la representación del conocimiento se hace desde el estrato mas básico de la
inteligencia: el cerebro, especialmente en las neuronas y las múltiples conexiones entre ellas.

Éste interés notable por las redes neuronales se vio disminuido en los años 70 debido al
surgimiento de autores como Minsky y Papert (1969) los cuales manifestaron las limitaciones
del proceso de aprendizaje de las arquitecturas de las redes neuronales.
El principio central del conexionismo es que los fenómenos mentales pueden ser descritos por
redes de unidades sencillas y frecuentemente iguales que se interconectan.

Conseguir diseñar y construir máquinas capaces de realizar procesos con cierta inteligencia ha
sido uno de los principales objetivos de los científicos a lo largo de la historia. De los intentos
realizados en este sentido se han llegado a definir las líneas fundamentales para la obtención
de máquinas inteligentes: En un principio los esfuerzos estuvieron dirigidos a la obtención de
autómatas, en el sentido de máquinas que realizaran, con más o menos éxito, alguna función
típica de los seres humanos. Hoy en día se continúa estudiando en ésta misma línea, con
resultados sorprendentes, existen maneras de realizar procesos similares a los inteligentes y
que podemos encuadrar dentro de la llamada Inteligencia Artificial (IA). La otra línea de la
investigación ha tratado de aplicar principios físicos que rigen en la naturaleza para obtener
máquinas que realicen trabajos pesados en nuestro lugar. De igual manera se puede pensar
respecto a la forma y capacidad de razonamiento humano; se puede intentar obtener
máquinas con esta capacidad basadas en el mismo principio de funcionamiento. No se trata de
construir máquinas que compitan con los seres humanos, sino que realicen ciertas tareas de
rango intelectual con que ayudarle, principio b ásico de la Inteligencia Artificial. Las primeras
explicaciones teóricas sobre el cerebro y el pensamiento ya fueron dadas ya por Platón (427-
347 a.C.) y Aristóteles (348-422 a.C.). Las mismas ideas también las mantuvo Descartes (1569-
1650) y los filósofos empiristas del siglo XVIII. La clase de las llamadas máquinas cibernéticas, a
la cual la computación neuronal pertenece, tiene más historia de la que se cree: Herón (100
a.C) construyó un autómata hidráulico.

https://steemit.com/spanish/@iars.geo/breve-historias-de-las-redes-neuronales-artificiales-
articulo-1

https://medium.com/@williamkhepri/redes-neuronales-que-son-a64d022298e0

Comparación con la neurona biológica

En resumen, una célula nerviosa biológica está compuesta por un cuerpo o cuerpo
celular, que contiene un núcleo y una rama llamada dendrita, que transmite información
a través de la sinapsis de las células que rodean el cuerpo, y un axón. . Transmite los
impulsos nerviosos del cuerpo a la estructura objetivo. en. En contraste, las neuronas
artificiales son modelos simplificados de estructuras biológicas porque contienen solo
sus elementos básicos: sinapsis, dendritas, células somáticas y axones. Simule la fuerza
de una conexión biológica dada). El elemento procesador multiplica cada entrada por su
peso en la conexión, y luego generalmente agrega estos productos juntos, y luego los
pasa a la función de transferencia para generar el resultado transmitido a través de la
ruta de salida (axón). Existe una gran diferencia entre las redes neuronales biológicas y
las redes neuronales artificiales: en cualquier caso, las redes artificiales siempre se
basan en funciones lógicas, por lo que no aceptan el razonamiento que no es su
"básico", pero de hecho, incluso si sienten Parece ser el resultado de procesos
extremadamente complejos en diferentes partes del cerebro, y no sabemos cómo se
siente trabajar en la mayoría de las situaciones. Los ejemplos incluyen procesos de
aprendizaje o tareas sensoriales y motoras. Otra diferencia importante es que se puede
decir que una red neuronal artificial es un análisis, como comenzar con un concepto
básico y luego descomponerse hasta que conozca todos los componentes. Aunque la
actividad de la red biológica se basa en la síntesis, el enfoque de la red neuronal es que
comienza con el comportamiento inicial y forma inteligencia combinando estos
componentes. Además de lo que acabamos de enumerar, hay características que
distinguen el cerebro de las computadoras tradicionales, como la aparente "alteración"
de los datos almacenados en el cerebro en comparación con el estricto orden que sigue
la red neuronal artificial, o simplemente la red artificial parece. Imitando al cerebro en
áreas que requieren habilidades simbólicas o lógicas puras, tendremos dificultades para
obtener inteligencia artificial similar a la de los humanos.

https://www.tendencias21.net/Neuronas-biologicas-y-artificiales-se-comunican-a-traves-de-
Internet_a45734.html

https://upcommons.upc.edu/bitstream/handle/2099.1/6277/6.%20SISTEMA%20NEURONAL
%20VS%20SISTEMA%20ELECTR%C3%93NICO.pdf?sequence=8&isAllowed=y

http://nabucco.es/comparativa-redes-neuronales-biologicas-y-artificiales/?print=pdf

https://medium.com/soldai/inspiraci%C3%B3n-biol%C3%B3gica-de-las-redes-neuronales-
artificiales-9af7d7b906a

Red Neuronal Artificial

https://www.usmp.edu.pe/publicaciones/boletin/fia/info32/pag4.htm

Las redes neuronales artificiales son un modelo inspirado en el funcionamiento del cerebro
humano. Esta formado por un conjunto de nodos conocidos como neuronas artificiales que
están conectadas y transmiten señales entre sí. Estas señales se transmiten desde la entrada
hasta generar una salida.

Las redes neuronales artificiales (RNA) son modelos de la inteligencia artificial que se inspiran
en el comportamiento de las neuronas y las conexiones cerebrales para resolver problemas.
Para entender mejor el concepto, tenemos que iniciar por responder dos preguntas. ¿Qué es la
inteligencia artificial? ¿Qué es una red neuronal?

La inteligencia artificial (IA, en inglés AI o Artificial Intelligence) es una rama de la ciencia de la

computación que se ocupa de modelar la conducta inteligente. Los sistemas de IA utilizan
algoritmos y modelos para analizar, organizar, procesar y convertir datos. El objetivo es
obtener información útil para la toma de decisiones.Una red neuronal es un modelo
simplificado que simula cómo los cerebros de los seres vivos, en especial el humano, procesa
información.

https://www.xataka.com/robotica-e-ia/las-redes-neuronales-que-son-y-por-que-estan-
volviendo
https://empresas.blogthinkbig.com/redes-neuronales-artificiales/

http://www.cs.us.es/~fsancho/?e=72

https://victoryepes.blogs.upv.es/2017/01/07/que-es-y-para-que-sirve-una-red-neuronal-
artificial/

https://www.diegocalvo.es/definicion-de-red-neuronal/

Arquitectura de las RNA

https://www.academia.edu/8172191/Redes_Neuronales_Artificiales_Arquitecturas_y_Aprendi
zaje

http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t8neuronales.pdf

https://www.researchgate.net/figure/Figura-3-Arquitectura-de-una-Red-Neuronal-Artificial-
Perceptron-Multicapa-RNAPM-con_fig3_313238723 (ESTA NO ES)

https://www.ibiblio.org/pub/linux/docs/LuCaS/Presentaciones/200304curso-
glisa/redes_neuronales/curso-glisa-redes_neuronales-html/x69.html

https://www.researchgate.net/figure/Figura-4-Arquitectura-de-la-RNA-
utilizada_fig3_318850381
Desde un punto de vista matemático, puede ver que la red neuronal es un gráfico
dirigido ponderado, donde cada nodo es una neurona artificial, y el arco que conecta los
nodos es una conexión sináptica. Al girar, el arco y la flecha son unidireccionales. Qué
significa eso? En el lenguaje de las neuronas y las conexiones, esto significa que la
información viaja en una dirección, desde las neuronas presinápticas (neuronas de
origen) hasta las neuronas postsinápticas (neuronas de destino). Por otro lado, está
ponderado, lo que significa que la conexión tiene un número real asociado, es decir, el
peso, que indica la importancia de la conexión en comparación con las conexiones
restantes. Si el peso es positivo, significa que la conexión es emocionante, y si el peso
es negativo, significa que está suprimido. Las neuronas generalmente se agrupan en
capas para que el ARN esté compuesto por múltiples capas de neuronas. Aunque todas
las capas son conjuntos de neuronas, dependiendo de su función, generalmente se les
da un nombre específico. Los más comunes son:

Dependiendo del número de capas:

Redes Monocapa

Redes Multicapa

Dependiendo de cómo fluye la información:

Redes Feedforward

Redes Recurrentes.

Entrenamiento de las redes neuronales.

La red neuronal de entrenamiento está ajustando cada peso de entrada de todas las
neuronas que forman parte de la red neuronal para que la respuesta de la capa de salida
coincida con los datos que conocemos tanto como sea posible.
En la animación a continuación, veremos un ejemplo muy simple de un proceso de
capacitación en red que puede identificar gatos en imágenes. El grosor de cada flecha
representa el peso de la entrada en la red neuronal. Como hemos visto, el error
disminuye al ajustar los pesos.

Si queremos que la red neuronal generalice y reconozca a los gatos en cualquier

imagen, es importante usar una gran cantidad de imágenes para el entrenamiento, ya
sea una imagen de gato (marcada como 1) o una imagen que no sea de gato (0),
incluyendo la mayor cantidad posible. transexual De esta manera, la red podrá ajustar
sus parámetros para satisfacer todas las imágenes tanto como sea posible, a fin de
extraer con precisión las características que identifican la presencia de gatos en la
imagen.

https://www.xeridia.com/blog/redes-neuronales-artificiales-que-son-y-como-se-entrenan-
parte-i#:~:text=Entrenar%20una%20red%20neuronal%20consiste,a%20los%20datos%20que
%20conocemos.

https://elvex.ugr.es/decsai/deep-learning/slides/NN4%20Training.pdf

http://www.cs.us.es/~fsancho/?e=165

Backpropagation o propagación hacia atrás

https://es.slideshare.net/mentelibre/red-neuronal-backpropagation

https://empresas.blogthinkbig.com/como-funciona-el-algoritmo-backpropagation-en-una-red-
neuronal-parte-ii/

https://elvex.ugr.es/decsai/deep-learning/slides/NN3%20Backpropagation.pdf

https://elvex.ugr.es/decsai/computational-intelligence/slides/N2%20Backpropagation.pdf

https://www.interactivechaos.com/manual/tutorial-de-machine-learning/backpropagation

https://sitiobigdata.com/2019/12/24/red-neuronal-y-backpropagation/

Funciones de las redes neuronales

Las redes neuronales tienen una amplia gama de funciones y, debido a su
funcionamiento, pueden resolver cualquier función existente con suficiente capacitación.
Las redes neuronales se utilizan principalmente para tareas de predicción y clasificación.
En la actualidad, tiene una amplia gama de funciones y es muy útil. Además de ser
utilizado en aplicaciones de la Industria 4.0 (por ejemplo, para identificar piezas y
defectos no introducidos anteriormente), también puede ayudar en otros campos, como
la economía. Predecir cambios en los precios a lo largo de los años, e incluso cambios
en el precio de los medicamentos, es muy útil para diagnosticar diversos problemas de
salud. Las redes neuronales se han convertido en una parte clave del desarrollo de la
inteligencia artificial. Es una de las principales áreas de investigación y se ha
desarrollado más rápido con el tiempo, proporcionando soluciones cada vez más
complejas y efectivas.

https://www.atriainnovation.com/que-son-las-redes-neuronales-y-sus-funciones/#:~:text=El
%20alcance%20de%20las%20funciones,tareas%20de%20predicci%C3%B3n%20y%20clasificaci
%C3%B3n.

https://www.diegocalvo.es/funcion-de-activacion-redes-neuronales/

https://ml4a.github.io/ml4a/es/neural_networks/
https://blog.es.logicalis.com/analytics/redes-neuronales-artificiales-funcionamiento-y-
aplicacion-al-negocio

https://quantdare.com/redes-neuronales-2/