Redes Neuronales Artificiales
Oscar Eduardo Enemisica
Herrera
Universidad Pontifica
Bolivariana
Colombia
eduardo.enemisicaos@upb.edu
.co
RESUMEN
En el desarrollo de este documento se va a evidenciar el
desarrollo y uso de las redes neuronales artificiales en algunos
campos de la ciencia de datos y de los diferentes desarrollos de
tecnología a nivel informático, las cuales son de gran beneficio
para los desarrollos científicos y de diferentes compañías,
además de como el uso de este tipo de programas ayudan a la
analítica de datos y la toma de decisiones de una manera más
certera. [6]
Palabras clave: Redes neuronales, analítica de datos,
artificiales, seguridad, toma de decisiones, problemas,
esquemas.
ABSTRACT
In the development of this document, the development and use
of artificial neural networks in some fields of data science and
of the different developments of technology at the computer
level will be evidenced, which are of great benefit for scientific
and research developments. different companies, in addition to
how the use of this type of programs help data analytics and
decision-making in a more accurate way.[6]
Keywords: Neural networks, data analytics, artificial, security,
decision making, problems, schemes.
INTRODUCCIÓN
Las redes neuronales son un modelo que se basa en el
funcionamiento del cerebro humano, el cual se basa en
modelos simples del funcionamiento del sistema nervioso,
estas se consideran una forma de programación inspirada en
modelos biológicos, para el cual se usan modelos matemáticos
con una organización jerárquica en la cual los que se intenta
que estas interactúen con objetos del mundo real emulando el
modus operandi del sistema nervioso central de los seres
vivos.[1]
En este campo se llevan a cabo proyectos de investigación
enfocados al estudio de sistemas complejos de tipo no lineal y
paralelos, ósea sistemas que puedan llevar a cabo operaciones
simultáneamente a diferencia de los equipos de cómputo
comunes que desarrollan actividades de manera secuencial. Es
así como se considera a una red neuronal, como un procesador
de información de distribución paralela, que basa su
funcionamiento en unidades de procesamiento mas simples a
las que se conocen como neuronas. [2]
Antecedentes
Se considera que Alan Turing fue el primer estudioso de las
redes neuronales ya que este consideraba que el cerebro
humano tenia un nivel de operación similar al de una
computadora. A pesar de esto los primeros estudiosos de las
redes neuronales que desarrollaron estas como fundamentos de
la computación neuronal fueron el matemático Walter Pitss y
el neurofisiólogo Warren McColloch. Los cuales teorizaron la
forma de operar de las neuronas (Un Cálculo Lógico de la
Inminente Idea de la Actividad Nerviosa - Boletín de
Matemática Biofísica 5: 115-133) en 1943.[6]
A partir de este estudio se llevó a cabo un gran desarrollo
durante varias décadas del siglo XX con estudios como los que
desarrollo Frank Rosenballtt en 1959 sobre principios de neuro
dinámica, Bernard Widroff/Marcian Hoff en 1960
desarrollaron el modelo Adaline (ADAptative LINear
Elements). Hasta fechas mas actuales como en 1986 cuando
David Rumelhart7G. Hinton realizaron el redescubrimiento del
algoritmo de aprendizaje de propagación hacia atrás
(backpropagation).[2]
Desde entonces los estudios en redes neuronales han sido
alentadores y fructíferos. Actualmente se desarrollan diversos
trabajos y proyectos de investigación, en los cuales se publican
cada año, las diferentes aplicaciones que surgen especialmente
en el campo del control y las compañías que introducen al
mercado nuevos desarrollos de software y hardware. [6]
Caso de estudio #1: Predicción y clasificación de series
temporales bursátiles mediante Redes Neuronales
Recurrentes
Este estudio se basa en el análisis de la bosa de valores y la
implementación de redes neuronales artificiales (RNA), con el
fin de realizar la predicción de valores y tendencias de los
activos que se presentan el dicho mercado usando
1
específicamente las Redes Neuronales Recurrentes, para hacer
una extracción de datos automática y así ayudar a los Para la selección de las redes finales se tomaron 4 tipos de
operadores del mercado para tomar mejores decisiones a nivel redes diferentes de las cuales 3 usaban frecuencias de 21 días
de inversión monetaria, dándoles como resultado las opciones y se compararon con una que poseía una secuencia de 252 días
de mantener sus posiciones en el mercado , realizar compras o y de las cuales se seleccionan los 2 mejores modelos de cada
ventas de algún activo.[4] tipo y de las cuales se expuso el porcentaje de acierto y de
Este estudio en síntesis se basa en la predicción de el valor de validación generando el ranking para cada una[4]
los activos basado en datos históricos analizados bajo
diferentes métodos estadísticos de común uso en el ámbito El estudio arrojo que para las redes simples RNN con
bursátil como lo son los análisis de medias móviles y los secuencias de 21 días se darían los peores resultados en los
osciladores [4] modelos con menos cantidad de neuronas o modelos con 3
capas y un Dropout [4]
Para el desarrollo de este proyecto las redes neuronales se
programaron en Keras el cual ofrece un modelo sequential con
el cual solo se emplea el modelo sequential para realizar un
ensamblaje lineal de capas.
Así este modelo requirió de sequential para el inicio de la red
neuronalLSTM| GRU |SimpleRNN para la incorporación de
capas progresivamente, Dropout como técnica de regulación
para imponer aleatoriamente valores de cero (porcentaje) a las
unidades de ingreso para evitar sobre ajustes y Dense como
referencia a las capas conectadas donde las neuronas de la capa
reciben la información y determinan la predicción.[4]
Imagen 3
Red neuronal recurrente base del sistema
En contraste con esto las redes GRU con secuencia de 21 días
son una simplificación de su predecesora la LSTM en la cual
se dieron resultados muy similares en a los encontrados con la
red simpleRNN, aunque existe una ligera diferencia entre los
aciertos del conjunto en especial en los que usan el Dropout[4]

Imagen 1.
Como referencia tenemos este segmento de modelo de la red
neuronal LSTM.
En este modelo se basa todo el desarrollo de la red neuronal en
sobre la cual opera el sistema de predicción y sobre el cual por
último se utiliza el Dropout y que luego se deja como
comentado debido a que después de las primeras pruebas
resulto innecesario pues no se requería sobre ajuste.[4]

Para el inicio de la red neuronal se utilizo el algoritmo Imagen 4

history_LSTM105 con el cual luego de pruebas recurrentes se
concluyó que 1500 épocas eran suficientes, para esto se
utilizaron datos separados mediante proceso Holdout[4]
Por último, se realizó la prueba con un modelo LSTM con
secuencia de 252 días con el que se buscaba la máxima
capacidad de procesamiento y el cual fue el modelo que arrojo
una mejor capacidad de predicción.[4]

En esta se evidencia una disparidad mucho mayor en

comparación con los modelos previos [4]
Imagen 2.

Finalmente, como resultado se logran obtener por una parte las

redes que se van a estudiar basándose en el test de los rankings
usando dos redes de cada tipo y que arroja como resultado
cuales son mejores y por otra parte el estudio arroja una
predicción para el siguiente año al desarrollo de este proyecto
de los valores de la bolsa basado en un fondo de capital de
100.000 euros y que expone una inversión al alza y a la baja el Imagen 5
tiempo.[4]

2
Como conclusión y a ejemplo el estudio entrega una predicción
para la empresa ATVI-Activision Blizzard en la cual se Aquí se relacionan el numero de PMT’s el cual se representa
enuncia que su valoración de ingresos es de 6489 millones de por la variable Nhits y la carga máxima PEmax en un PMT que
dólares y en la cual el software arrojo que se observan un se localice en una distancia del núcleo mayor a R.[5]
conjunto de tendencias principalmente alcistas para un periodo
de 8 años y que indicia que la estrategia de inversión de una RM que se define así
compra seria exitosa como inversión a medio-largo plazo [4]

Imagen 8

Donde PEi es la carga del PMTi y Ri es la distancia del PMTi

al núcleo del evento

PER en el cual se considera que el divisor de la variable esta

asociado con la integral de la densidad radial y la relación
Imagen 6 predominante de las cascadas hadronicas sobre las
Caso de estudio #2: Aplicación de redes neuronales para la electromagnéticas [5]
serparacion de gamas y hadrones en HAWC
Este estudio se basa en la separación de los eventos
producidos por los rayos gamma y CR’s, debido a
que los los rayos CR’s se encuentras 1000 veces mas Imagen 9
que los rayos gamma y por ende estos se ven
opacados en los estudios, adicionalmente los rayos Finalmente se tienen las definiciones de PEMR, P1 y p2
CR tienen una trayectoria irregular que depende del
campo magnético al cual es sometido en
comparación con el rayo gamma que no se
desvía.[5]

En estudios anteriores se menciona que en los

análisis con datos reales la señal que se obtiene es Imagen 10
demasiado débil por lo que se busca mejorar los
resultados por métodos de separación en algunas El desarrollo del código de estas se llevó a cabo en la
plataforma Offline-reconstructor la cual se centra en
variables y variando los intervalos de análisis con el reconstruir los eventos detectados por HAWC, esta contiene
objetivo de reducir la cantidad de eventos que se los eventos detectados por el observatorio, a continuación, se
identifican como rayos gamma que en realidad son muestran apartes de los códigos utilizados para el desarrollo
CR’s y también para aumentar la cantidad efectiva del proyecto
de identificación de rayos gamma[5]
Para lograr esto se propuso utilizar un método de separación
implementando una red neuronal con la capacidad de separar
las partículas sin realizar intervalos que sean dependientes del
número PMT que se presenta en los eventos de medición, esto
siempre que nHit sea un valor mayor o igual a 30.[5]

Para este desarrollo se implemento una red neuronal MLP con

los siguientes parámetros de entrada

HAWCgh el cual se define de la siguiente manera

Imagen 11
Imagen 7

3
Metodología

1. Se realiza la obtención de datos simulados mediante

una secuencia de programas.
2. Se realiza una selección de eventos mediante
simulaciones y luego se mapea y se contrasta con los
datos reales en eventos llevados a cabo
3. Se realiza la caracterización de los datos simulados y
de los datos reales previamente obtenidos
4. Se realiza el entrenamiento de la red para la
ejecución del programa en base a los datos previos
5. Se pone en marcha la red y luego se hace el análisis
de los resultados
Resultados
Como resultados se encontró que para las simulaciones las
distribuciones de salida de la red neuronal de las simulaciones
previas muestran valores que separan los eventos que se
califican como gammas o protones, encontrándose una
distribución similar en ambos casos, esto indica que la red se
esta comportando de manera adecuada y esta arrojando valores
Imagen 13
correctos de clasificación.[5]
Por último, se lleva a cabo la comparación de los datos reales
del proyecto en la cual se generan mapas usando los métodos
En cuanto al comportamiento con todos los datos del estudio
de separación gamma/hadrón en la región de la fuente. En este
como se muestra en la imagen 12b y en la imagen 13 se
caso se tiene que el valor de compactness es mayor a 14 es un
encontró que en ambos métodos cuando la eficiencia de los
rayo gamma si no es un hadrón [5]
gama esta entre 0.5 y 0.7 el nivel de ruido disminuye y esto
indica que en esta zona debe estar el valor optimo de corte para
la serparacion de los rayos.[5]

Imagen 14
Conclusiones:
1. Las redes neuronales son la herramienta actual por
predilección para la solución de problemas complejos
basados en el modelado de situaciones de diferentes
ámbitos y facilitan la toma de decisiones.
2. En el campo del análisis de mercado las redes
neuronales podrían llegar a ser a la futura base sobre
la cual se tomen todas las decisiones de inversión y
aportaría a disminuir la tendencia especulativa en la
cual se basa el mercado actualmente.
REFERENCIAS
Imagen 12
(Matich,2001). Redes Neuronales: Conceptos
Básicos y Aplicaciones.

(Izaurleta & Saavedra). Redes Neuronales

Artificiales

(IBM) . El modelo de redes neuronales, en

https://www.ibm.com/docs/es/spss-
modeler/SaaS?topic=networks-neural-model

4
(Hernández & Herrera). Predicción y Clasificación de series
temporales bursátiles mediante Redes Neuronales
Recurrentes.

(capistrán Rojas,2014). Aplicación de redes neuronales para

la separación de gammas y hadrones en HAWC.

(Schikuta).Neral Networks and Databases sustems

5
6