Universidad Autónoma

de Nuevo León

Facultad de Ingeniería
Mecánica y Eléctrica

INT. ARTIFICIAL Y REDES NEURONALES

ENERO-JUNIO 2022

Actividad #6 Síntesis de las Redes Neuronales Artificiales

Samantha Keren Cepeda

Nombre:
Chavez
Carrera:
IMTC

Matricula: 1908659

Maestro: Mario Angel Rico Mendez

Hora: N2

Salón: 9105
Fecha de entrega: 13
Grupo: 006 de Mayo

Cd. Universitaria, San Nicolás de los Garza.

 Las Redes Neuronales Artificiales.

¿Qué son?

Las redes neuronales son modelos simples del funcionamiento del sistema
nervioso. Las unidades básicas son las neuronas, que generalmente se organizan
en capas, como se muestra en la siguiente ilustración.

Estructura:

Una red neuronal es un modelo simplificado que emula el modo en que el cerebro
humano procesa la información: Funciona simultaneando un número elevado de
unidades de procesamiento interconectadas que parecen versiones abstractas de
neuronas.

Las unidades de procesamiento se organizan en capas. Hay tres partes

normalmente en una red neuronal : una capa de entrada, con unidades que
representan los campos de entrada; una o varias capas ocultas; y una capa de
salida
La red aprende examinando los registros individuales, generando una predicción
para cada registro y realizando ajustes a las ponderaciones cuando realiza una
predicción incorrecta. Este proceso se repite muchas veces y la red sigue
mejorando sus predicciones hasta haber alcanzado uno o varios criterios de
parada.

¿Cuáles son sus componentes?

1.-Neuronas: son las unidades básicas de procesamiento de las ANN, con un nivel
de activación dado. En general, una neurona recibe varias señales de entrada y
envía una única señal de salida.

2.-Conexiones: las señales se transmiten a través de las conexiones de la red,

están juegan el papel de la sinapsis biológica y permiten la comunicación entre
neuronas. Cada conexión está dirigida y tiene un peso numérico asociado, que
determina la fuerza y el signo de la conexión. Las conexiones indican a la neurona
información sobre el estado de activación de las neuronas con las que se conecta,
cuando la “sinapsis” tiene un peso positivo, la señal de entrada activa a la
neurona, si el peso es negativo la señal inhibe a la neurona.

3.-Función de activación: ésta permite a la neurona transformar su nivel de

activación actual en una señal de salida, a partir de las señales que recibe; el
resultado depende de las entradas recibidas y de valores sinápticos. Para calcular
el estado de activación, se obtiene la entrada total a la célula, que es igual a la
suma de todas las entradas ponderadas por ciertos valores. A este estado de
activación se le aplica la función de activación.

4.-Regla de aprendizaje: es la forma en que la red neuronal adquiere

conocimiento la cual consiste en el ajuste o modificación iterativa de
los pesos de las conexiones de forma que se manipulen de acuerdo a
la regla de aprendizaje.

¿Cómo se clasifican las redes neuronales artificiales?

Existen varios tipos de redes neuronales, como son las monocapa o perceptrón
simple, perceptrón multicapa (MLP), convolucionales (CNN), redes neuronales
recurrentes (RNN), de retroalimentación o redes de base radial (RBF).

¿Cómo se hace una red neuronal artificial?

Los siguientes pasos son para programar la red neuronal artificial en la plataforma
de python.

Definir variables independientes y variable dependiente

En primer lugar, vamos a crear el conjunto de características de entrada, así como
la variable dependiente (las etiquetas correspondientes). El conjunto de entrada
contiene siete registros, además creamos un conjunto de etiquetas que
corresponden con los registros anteriores. Estas etiquetas son los valores que
darán más o menos peso a nuestra red neuronal y que otorgarán la prioridad de la
que te hablamos al principio del artículo.

Definir hiperparámetros
Usaremos la función Random.seed de numpy para obtener los mismos valores
aleatorios siempre que ejecutemos un código concreto. A continuación, le
daremos una numeración al peso que vamos a darle a cada valor. Dado que
tenemos tres características en la entrada, nos vamos a encontrar, en este caso,
un vector con tres diferentes pesos. Por último, establecemos la tasa de
aprendizaje en 0.05.

Definir la función de activación y su derivada y entrenar el modelo de

red neuronal
Nuestra función de activación es la función sigmoidea que hay que definir. A
continuación, definiremos el número de épocas. Una época es la cantidad de
veces que queremos entrenar al algoritmo, utilizando nuestros datos. Cuanto más
épocas, más costoso será.

El último paso sería hacer predicciones

Estos pasos son para hacer una red neuronal muy simple, con solo una capa de
entrada y de salida, desde cero y utilizando Phyton. El resultado de este tipo de
estructuras se denomina perceptrón. Un perceptrón puede clasificar datos
linealmente.

Aplicación de las redes neuronales en el campo del marketing.

Las redes neuronales se aplican en diversas áreas desde hace ya muchos años,
como es el caso de la biología, que la usa principalmente para aprender más
acerca del cerebro. Otra área en el que es habitualmente utilizada, es en el campo
del medio ambiente, donde se analiza la tendencia y patrones o la predicción del
tiempo. En medicina, está funcionando excelentemente para la predicción de
tumores o anomalías, así como para elaborar diagnósticos y tratamientos
complejos a seguir, en función de unos síntomas.
En el campo de las finanzas, se utiliza habitualmente en todo lo relacionado con la
previsión de la evolución de precios, valoración de riesgo de créditos o
identificación y falsificaciones.

En el ámbito de la empresa y más concretamente en el del marketing, tiene

diversos usos:

• Predicción de ventas.
• Identificar patrones de comportamiento.
• Reconocimiento de caracteres escritos.
• Predicción del comportamiento del consumidor.
• Personalización de estrategias de marketing.
• Crear y entender segmentos de compradores más sofisticados.
• Automatizar actividades de marketing.
• Creación de contenido.

Ventajas y desventajas del uso de las redes neuronales.

Ventajas principales:

• Su principal ventaja está en que son modelos de vanguardia que capturan

de una forma óptima y efectiva características complejas, obteniendo
resultados con una alta precisión.

• El procesado de la información es local, es decir que al estar compuesto

por unidades individuales de procesamiento, dependiendo de sus entradas
y pesos, y de que todas las neuronas de una capa trabajan en forma
paralela, proporcionan una respuesta al mismo tiempo.

• Los pesos son ajustados basándose en la experiencia, lo que significa que

se le tiene que enseñar a la red lo que necesita saber antes de ponerla en
funcionamiento.

• Las neuronas son tolerantes a fallos, si parte de la red no trabaja, solo

dejará de funcionar la parte para que dicha neurona sea significativa, el
resto tendrá su comportamiento normal.

• Las neuronas pueden reconocer patrones que no han sido aprendidos, sólo
deben tener cierto parecido con el conocimiento previo que tenga la red.
Dicho de otra forma: si la entrada presenta alguna alteración la red podrá
identificarla siempre y cuando se mantenga cierto grado de similitud entre lo
aprendido y lo mostrado en la entrada de la red.
Desventajas principales:

• Las redes neuronales necesitan un mayor preprocesamiento de los datos,

siendo bastante sensibles a las distintas escalas de las variables. Suelen
necesitar mayor volumen de datos para el entrenamiento del modelo y
requieren de alta capacidad de recursos computacionales.

• Complejidad de aprendizaje para grandes tareas, cuanto más se necesite

que aprenda una red, más complicado será enseñarle.

• Tiempo de aprendizaje elevado. Esto depende de dos factores: primero si

se incrementa la cantidad de patrones a identificar o clasificar, y segundo, si
se requiere mayor flexibilidad o capacidad de adaptación de la red neuronal
para reconocer patrones que sean sumamente parecidos, se deberá invertir
más tiempo en lograr que la red converja a valores de pesos que
representen lo que se quiera enseñar.

• No son fácilmente explicables. Conocer las reglas o motivos por los que la
red devuelve esos resultados no suele ser fácil y precisa de otras analíticas.

Bibliografía:

Blokdyk, G. (2018). IBM docs: Complete self-assessment guide. Createspace

Independent Publishing Platform.

IMF Smart Education. (2020, septiembre 30). Cómo crear una red neuronal en
Phyton. Blog de Tecnología - IMF Smart Education. https://blogs.imf-
formacion.com/blog/tecnologia/crear-red-neuronal-en-phyton-202009/

Qué son las redes neuronales y cuál es su aplicación en el marketing - artyco.

(2021, febrero 1). artyco | the data driven company. https://artyco.com/que-son-las-
redes-neuronales-y-cual-es-su-aplicacion-en-el-marketing/

Componentes de una red neuronal artificial. (s/f). 1Library.co. Recuperado el 12 de

mayo de 2022, de https://1library.co/article/componentes-de-una-red-neuronal-
artificial.rz315lmy