Nombre: Sebastian Aldair Lamas Mallqui

Docente: MIGUEL ANGEL RODRIGUEZ CERNA

Carrera: Ingeniería de software e inteligencia artificial

Curso: Competencias digitales para la industria

CFP: VILLA EL SALVADOR

Bloque: PP19

NRC: 37878.

TRABAJO FINAL
LAS REDES NEURONALES:

Historia/Definición: Una red neuronal es un método de la

inteligencia artificial que enseña a las computadoras a procesar
datos de una manera que está inspirada en la forma en que lo hace
el cerebro humano. 
En 1943 los investigadores Warren McCulloch y Walter Pitts crearon
“lógica umbral”, el primer modelo informático basado en las redes
neuronales. A partir de aquí, se establecieron dos caminos de
investigación. 
Las redes neuronales se forman en las primeras fases de desarrollo
del cerebro gracias al crecimiento y migración de las células
nerviosas. Ambos procesos se combinan para organizar los
conjuntos sinápticos y el modularidad de la arquitectura cognitiva.
Las neuronas no están dispuestas al azar en el cerebro humano. 
 
 
 
 
 
 
Aplicación: Estos sistemas de algoritmia que nos ayudan a
resolver problemas tienen múltiples aplicaciones que podemos
englobar en: 

 Predicción de sucesos y simulaciones: Producción de

los valores de salida esperados en función de los datos
entrantes. 
 Reconocimiento y clasificación: Asociación de patrones
y organización de conjuntos de datos en clases
predefinidas. Incluso identificando características únicas sin
datos previos. 
 Procesamiento de datos y modelización: Validación,
agregación y análisis de datos. Diseño y búsqueda de
fallos en sistemas de software complejos. 
 Ingeniería de control: Monitorización de sistemas
informáticos y manipulación de robots. Incluida la creación
de sistemas y robots. 
Tipos: 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). 
  Redes neuronales monocapas: generalmente son las
más sencillas de hacer, la capa de entrada también podría
considerarse una capa, pero al no hacer cálculos no se
tiene en cuenta a la hora de clasificarse. La capa de
entrada se conecta a la capa de neuronas de salida que
realizan determinados cálculos. 
 Redes neuronales multicapas: entre las conexiones de
entrada y de salida, existen diversas capas de neuronas
que hacen de intermediarias, denominadas capas ocultas.
Estas capas de neuronas, pueden conectarse entre ellas o
no. 
 Clasificación por los tipos de conexiones. 
 Redes neuronales no recurrentes: se descubrieron en
el año 1980, la información de las redes neuronales trabaja
en un solo sentido. No existe una realimentación y también
carecen de memoria. Este tipo de red neuronal no es tan
utilizada. Sin embargo, las redes neuronales recurrentes y
no recurrentes, también utilizan algoritmos en común como
por ejemplo en la fase de entrenamiento. 
 Redes neuronales recurrentes: las neuronas tienen la
posibilidad de realizar conexiones realimentación, ya sea
entre neuronas de una misma capa o de diferentes capas.
La realimentación permite que las redes neuronales
recurrentes, tengan memoria. Las redes neuronales
recurrentes tienen mayores ventajas en general y suelen
ser más potentes, que las redes neuronales no
recurrentes. 
 Etc... 
 
Ventajas y Desventajas:  
 
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.