REPÚBLICA BOLIVARIANA DE VENEZUELA

INSTITUTO UNIVERSITARIO POLITÉCNICO

‘’SANTIAGO MARIÑO’’
EXTENSIÓN MARACAY

Trabajo de investigación 20%

Electiva IV (Inteligencia artificial)

Autor: Carlos Ramírez

Maracay, enero de 2022

 Introducción

Últimamente las redes neuronales están teniendo un gran desarrollo e impacto en los
últimos años. Tenemos de ejemplo a Google que ha logrado resolver su propio
recaptcha utilizando redes neuronales. Teniendo esto en cuenta, son metas bastante
impresionantes ya que los ordenadores no tienen capacidad de razonamiento propio y
con la ayuda de las redes neuronales o inteligencia artificial puedan lograr algo como
eso y que cada vez la tecnología se acerca mas a esa idea de poder reproducir el
funcionamiento del cerebro humano en un ordenador.

Básicamente consisten en redes de neuronas simuladas conectadas entre sí. Existen

varios tipos en función de su arquitectura y forma de aprendizaje. Una de las más
utilizadas es la red basada en varias capas de neuronas de tipo perceptrón, entrenadas
mediante la técnica de retro propagación (backpropagation).

Pese a que en la actualidad se ha popularizado su uso, las redes neuronales existen

desde la década de 1950. Sin embargo, la poca potencia de los equipos de aquella
época y la inexistencia de algoritmos que permitiesen a las redes aprender de forma
eficiente provoco que estas dejasen de usarse. Ha sido posteriormente, gracias a la
creación del algoritmo de Backpropagation, al uso de GPUs que permiten realizar
grandes optimizaciones para este tipo de cálculos y al mayor número de datos
disponibles para entrenamiento, cuando las redes neuronales han vuelto a resurgir y a
ganar protagonismo en diversos campos. Gracias a estas mejoras ha sido posible la
aparición del Deep Learning, el cual se basa en el uso de redes neuronales profundas,
es decir, redes formadas por un gran número de capas para tareas complejas.
 Desarrollo

Redes neuronales

Las redes neuronales son un modelo inspirado en el funcionamiento del cerebro

humano. Está 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 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, con una unidad o
unidades que representa el campo o los campos de destino. Las unidades se conectan
con fuerzas de conexión variables (o ponderaciones). Los datos de entrada se
presentan en la primera capa, y los valores se propagan desde cada neurona hasta
cada neurona de la capa siguiente. al final, se envía un resultado desde la capa de
salida.

El objetivo principal de una red neuronal es aprender modificándose

automáticamente a si mismo de forma que puede llegar a realizar tareas complejas que
no podrían ser realizadas mediante la clásica programación basada en reglas. De esta
forma se pueden automatizar funciones que en un principio solo podrían ser realizadas
por personas.

¿Cómo funcionan?

Las redes reciben una serie de valores de entrada y cada una de estas entradas
llega a un nodo llamado neurona. Las neuronas de la red están a su vez agrupadas en
capas que forman la red neuronal. Cada una de las neuronas de la red posee a su vez
un peso, un valor numérico, con el que modifica la entrada recibida. Los nuevos valores
obtenidos salen de las neuronas y continúan su camino por la red.
 Figura 1. Estructura de una red neuronal

Una vez que se ha alcanzado el final de la red se obtiene una salida que será la
predicción calculada por la red. Cuantas más capas posea la red y más compleja sea,
también serán más complejas las funciones que pueda realizar.
Entrenamiento de las redes neuronales
Al principio, todas las ponderaciones son aleatorias y las respuestas que resultan de
la red son, posiblemente, disparatadas. La red aprende a través del entrenamiento.
El entrenamiento de una red neuronal se realiza modificando los pesos de sus
neuronas para que consiga extraer los resultados deseados. Para ello lo que se hace
es introducir datos de entrenamiento en la red, en función del resultado que se obtenga,
se modifican los pesos de las neuronas según el error obtenido y en función de cuanto
haya contribuido cada neurona a dicho resultado. Este método es conocido como
Backpropagation o propagación hacia atrás. Con este método se consigue que la red
aprenda, A medida que progresa el entrenamiento, la red se va haciendo cada vez más
precisa en la replicación de resultados conocidos. Una vez entrenada, la red se puede
aplicar a casos futuros en los que se desconoce el resultado.
Historia y evolución de las redes neuronales

Como sabemos, en la actualidad se ha extendido el uso de las redes neuronales a

múltiples campos científicos, incluida la medicina, la robótica, las finanzas, etc. A pesar
de este boom actual podemos centrar sus orígenes en las primeras décadas del siglo
XX.
  En 1913, S. Rusell plantea una máquina hidráulica basada en las redes neuronales,
aunque no fue hasta los años cuarenta cuando se plantearon matemáticamente estos
modelos.
1936- Alan Turing.  Precursor del estudio de la asimilación de la computación al
comportamiento del cerebro humano.
1943- Warren McCulloch y Walter Pitts, neurofísico y matemático respectivamente.
Proponen el primer modelo matemático de red neuronal. En este modelo, la red
neuronal no tenía capacidad de aprendizaje.
1949- Donald Hebb. Precursor en la explicación del proceso de aprendizaje de las
neuronas. La idea principal es que el aprendizaje se produce ante cambios que hacen
que una neurona se active. Desarrolló un algoritmo de aprendizaje denominado
aprendizaje Hebbiano.
1950- Karl Lashley. Realiza diversas pruebas en las que determina que la
información no se almacena en el cerebro de forma centralizada si no que se distribuye
por todo él.
1954- Marvin Minsky. Obtiene los primeros resultados con las redes neuronales junto
con Dean Edmons con una máquina con 40 neuronas, aplicando los modelos y teorías
de McCulloch y Pitts, incorporando además el aprendizaje Hebbiano.
1956- Congreso de Dartmouth. Primer congreso científico sobre redes neuronales.
1957- Frank Rosenblatt. A partir de los trabajos de Albert Uttley (1956) sobre su
modelo llamado Informon, Rosenblatt desarrolla el Perceptron, uno de los modelos más
conocidos a la largo de la historia. Se utiliza principalmente en el reconocimiento de
patrones. Este modelo es capaz de generalizar reconociendo patrones similares a los
que había aprendido previamente. Sin embargo, una de sus grandes limitaciones es su
incapacidad para realizar clasificaciones de clases no separables linealmente.
1960- Bernard Widroff/Marcian Hoff. Desarrollan el modelo Adaline (Adaptative
Linear Elements). Éste fue el primer modelo con una aplicación a un problema real. Fue
usado para la eliminación de los ecos en las líneas telefónicas y se utilizó durante
varias décadas.
1969- Marvin Minsky / Seymour Papert. En su libro “Perceptrons”, plantean las
limitaciones de las capacidades del Perceptron. Demostraron matemáticamente que no
era capaz de resolver problemas relativamente fáciles como el aprendizaje de una
función no lineal, funciones muy empleadas en la computación y en muchos problemas
reales.
1974- Paul Werbos. Desarrolla el algoritmo de aprendizaje de propagación hacia
atrás (backpropagation).
1977- Stephen Grossberg. Plantea la teoría de resonancia adaptada. Se trata de una
arquitectura de red que se diferencia de las planteadas hasta la fecha y es capaz de
simular la memoria a largo y corto plazo.
1982-1985- John Hopfield. Escribe su libro “Computación neuronal de decisiones en
problemas de optimización”. Describe un sistema (modelo de Hopfield) basado en
sistemas olfativos, obteniendo un modelo construido por elementos interconectados que
buscan un estado interno de mínima energía.
1986- David Rumelhart /G. Hinton. Redescubren y desarrollan el algoritmo de
propagación hacia atrás (backpropagation). A partir de 1986, el panorama fue alentador
con respecto a las investigaciones y el desarrollo de las redes neuronales. En la
actualidad, son numerosos los trabajos que se realizan y publican cada año, las
aplicaciones nuevas que surgen y las empresas que lanzan al mercado productos
nuevos, tanto hardware como software (sobre todo para simulación).

Aplicaciones de las redes neuronales

Las redes neuronales pueden utilizarse en un gran número y variedad de
aplicaciones, tanto comerciales como militares o científicas.
Se pueden desarrollar redes neuronales en un periodo de tiempo razonable, con la
capacidad de realizar tareas concretas mejor que otras tecnologías. Cuando se
implementan mediante hardware, presentan una alta tolerancia a fallos del sistema y
proporcionan un alto grado de paralelismo en el procesamiento de datos. Esto posibilita
la inserción de redes neuronales de bajo coste en sistemas existentes y recientemente
desarrollados.
Hay muchos tipos diferentes de redes neuronales; cada uno de los cuales tiene una
aplicación particular más apropiada. Algunas aplicaciones comerciales son:

 Biología:
 - Aprender más acerca del cerebro y otros sistemas.
- Obtención de modelos de la retina.
 Empresa:
- Evaluación de probabilidad de formaciones geológicas y petrolíferas.
- Identificación de candidatos para posiciones específicas.
- Explotación de bases de datos.
- Optimización de plazas y horarios en líneas de vuelo.
- Optimización del flujo del tránsito controlando convenientemente la
temporización de los semáforos.
- Reconocimiento de caracteres escritos.
- Modelado de sistemas para automatización y control.
 Medio ambiente:
- Analizar tendencias y patrones.
- Previsión del tiempo. Finanzas:
- Previsión de la evolución de los precios.
- Valoración del riesgo de los créditos.
- Identificación de falsificaciones.
- Interpretación de firmas.
 Manufacturación:
- Robots automatizados y sistemas de control (visión artificial y sensores de
presión, temperatura, gas, etc.).
- Control de producción en líneas de procesos.
- Inspección de la calidad.
 Medicina:
- Analizadores del habla para ayudar en la audición de sordos profundos.
- Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos
(electrocardiograma, encefalogramas, análisis sanguíneo, etc.).
- Monitorización en cirugías.
- Predicción de reacciones adversas en los medicamentos.
- Entendimiento de la causa de los ataques cardíacos.
 Militares:
 - Clasificación de las señales de radar.
- Creación de armas inteligentes.
- Optimización del uso de recursos escasos.
- Reconocimiento y seguimiento en el tiro al blanco.
 Tecnología:
- Inteligencia Artificial: Formando parte de las tecnologías de deep learning y
machine learning que son partes fundamentales de la inteligencia artificial.
- 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 autónomos.
- Reconocimiento y clasificación: Asociación de patrones y organización de
conjuntos de datos en clases predefinidas. Incluso identificando características
únicas sin datos previos.

La mayoría de estas aplicaciones consisten en realizar un reconocimiento de

patrones, como ser: buscar un patrón en una serie de ejemplos, clasificar patrones,
completar una señal a partir de valores parciales o reconstruir el patrón correcto
partiendo de uno distorsionado. Sin embargo, está creciendo el uso de redes
neuronales en distintos tipos de sistemas de control.
Desde el punto de vista de los casos de aplicación, la ventaja de las redes
neuronales reside en el procesado paralelo, adaptativo y no lineal.
El dominio de aplicación de las redes neuronales también se lo puede clasificar de la
siguiente forma: asociación y clasificación, regeneración de patrones, regresión y
generalización, y optimización.
 Conclusión

La teoría de redes neuronales artificiales, presenta grandes ventajas con respecto a

otros modelos típicos de solución de problemas de ingeniería, una de ellas es su
inspiración en modelos biológicos del funcionamiento del cerebro, lo que facilita su
estudio debido a las analogías que pueden introducirse para su análisis.

De esta forma podemos afirmar la importancia que las redes neuronales pueden
tomar en esta era moderna, en donde la tecnología avanza de manera muy rápida y e
puedan utilizar para crear grandes cosas.

El objetivo de estas redes es lograr dar lugar a un sistema inteligente que logre
realizar con éxito tareas complejas. Su funcionamiento no está orientado a ser similar al
de un ordenador cuando procesa información, sino que persigue aproximarse a
la inteligencia artificial. Así, las redes neuronales artificiales son capaces de crear
patrones, reconocer información o resolver enigmas complejos, pudiendo ser de gran
utilidad para sectores como la moda o la lucha contra el crimen.

Además de esto, las redes neuronales tienen otro objetivo importante, como es

contribuir a la creación de redes. Al ser muy rápidas en cuanto a procesamiento de
información, con capaces de transmitir datos a gran velocidad entre dos puntos. Por si
esto fuera poco, con el paso del tiempo, adquieren la capacidad de relacionarse entre
sí, de manera que expanden el conocimiento disponible, renovándolo y funcionando de
manera autónoma.
 Referencias

IBM, (2014) el modelo de redes neuronales https://www.ibm.com/docs/es/spss-

modeler/SaaS?topic=networks-neural-model

Sandra (2019) redes neuronales y la IA https://www.atriainnovation.com/que-son-las-

redes-neuronales-y-sus-funciones/

M. Álvaro Ballesteros, (2002) red neuronal: concepto https://www.elsevier.es/es-revista-

atencion-primaria-27-articulo-redes-neuronales-concepto-aplicaciones-utilidad-
13033737

Javier Oliver (2012) las redes neuronales y su historia

https://www.rankia.com/blog/redes-neuronales/1408704-redes-neuronales-poco-
historia-i

Juan, (2018) historia de las redes neuronales

https://www.aprendemachinelearning.com/breve-historia-de-las-redes-neuronales-
artificiales/

José González Ramirez, (2021) redes neuronales y sus aplicaciones

https://www.datacentric.es/blog/insight/red-neuronal-artificial-aplicaciones/