REPÚBLICA BOLIVARIANA DE VENEZUELA

VICERRECTORADO ACADÉMICO
FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA DE SISTEMAS
SAN JOAQUÍN DE TURMERO ESTADO ARAGUA

Redes Neuronales
Artificiales

Profesor:                                     Participante:
José Ceballos                                     Beatriz Paredes C.I: 27.864.010 

Octubre 2022
Redes Neuronales Artificiales: Pasado, presente y futuro a beneficio de
la humanidad
Beatriz de Los Angeles Paredes
beangelesp@gmail.com

RESUMEN
Este artículo busca mostrarle a la humanidad la importancia que tienen las
redes neuronales artificiales (RNA) a beneficio de la humanidad, en todo un
contexto global se puede reseñar que han impactado profundamente en cada
campo de la ciencia para mejorar los procesos y ofrecer resultados eficaces.
Las RNA es un milagro de la programación ya que buscan imitar las
neuronas humanas resaltando su comportamiento de aprendizaje y
procesamiento en forma automática. Entre los temas que desarrollare se
encuentran fundamentos matemáticos de una neurona artificial, funciones de
activación usadas en las redes neuronales, relación que existe entre redes
neuronales y el Deep learning o aprendizaje profundo, diferencias entre el
machine learning el Deep learning y su relación con la inteligencia artificial.
Palabras claves: Redes neuronales artificiales, ciencia, programación,
inteligencia artificial.

ABSTRACT
This article seeks to show humanity the importance of artificial neural
networks (ANN) a benefit of humanity, in a global context it can be noted that
they have deeply impacted each field of science to improve processes and
offer effective results. . ANNs are a programming miracle as they seek to
mimic human neurons by highlighting their learning and processing behavior
automatically. Among the topics that are developed are the mathematical
foundations of an artificial neuron, activation functions used in neural
networks, the relationship between neural networks and deep learning or
deep learning, differences between machine learning and deep learning and
its relationship with artificial intelligence.
Keywords: Artificial neural networks, science, programming, artificial
intelligence
Introducción
El ser humano no se detiene en la búsqueda de conocimientos que hagan
más fácil su vida en el mundo, uno de los inventos que han cambiado la vida
del hombre es la computadora y a medida que pasa el tiempo se ha
perfeccionado sus sistemas, equipos y usos. El hardware el software
trabajan de forma equilibrada uniendo fuerzas para facilitar todas las
operaciones de acuerdo a la necesidad de cada operario. Sin restarle
importancia a ninguno de ellos, quiero resaltar la impactante función que
tiene la programación en la ejecución y resolución de tareas. Esto nace
cuando los científicos en busca de mejorar y resolver situaciones complejas
en todo ámbito, han estudiado las capacidades humanas cerebrales, siendo
ésta la base para la creación de nuevas máquinas por ello la inteligencia
computacional se las ha ingeniado para reproducir tecnológicamente
comportamientos biológicos. Todo comienza entre las décadas de 1950 y
1960 el científico Frank Rosenblatt, inspirado en el trabajo de Warren
McCulloch y Walter Pitts creó el Perceptron, la unidad desde donde nacería y
se potenciarían las redes neuronales artificiales. Desde entonces los
estudiosos de esta materia no se han detenido y con mucho afán han creado
y demostrado como la tecnología ha evolucionado en favor de la humanidad
en todos los campos de la ciencia.
El objetivo de las redes neuronales artificiales es tratar de buscar modelos
que solucionen problemas difíciles de resolver mediante técnicas
algorítmicas convencionales; estando inspiradas en el funcionamiento del
sistema nervioso y el comportamiento humano, siendo 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. Las
RNA contribuyen a la creación de redes, ya que al ser muy rápidas en cuanto
a procesamiento de información, son capaces de transmitir datos a gran
velocidad entre dos puntos.

Estas son algunas funciones que el hombre disfruta de las redes neuronales
artificiales, en la mayoría de las ocasiones somos ignorantes de ellas y no le
damos el uso que deberíamos; o no conocemos que es lo que hay detrás de
un aparato electrónico para que funcione de la forma que lo hace; siendo
estas reproducciones parecidas al cerebro humano, pero jamás podrán
igualarse.

Fundamentos matemáticos de una neurona artificial

Considero de gran importancia antes de conocer los fundamentos
matemáticos de una neurona artificial conceptualizar y diferenciar la neurona
biología y la neurona artificial. De acuerdo a Ruiz (2021) en la página web
psycienca, define a las neuronas como células altamente especializadas, que
controlan las funciones voluntarias e involuntarias del organismo (pag. 1).
Las partes principales son: las dendritas, un cuerpo celular, y el axón.  Las
neuronas son células que caracterizan al sistema nervioso, encargándose de
transmitir mediante señales eléctricas sensaciones u órdenes de un punto a
otro del organismo. Las neuronas son esenciales para el ser humano ya que
sin ellas no tendríamos raciocinio y no tendríamos la habilidad de responder
y desenvolvernos en el mundo exterior, tomar decisiones y desarrollar
habilidades que permitan convertirnos y lograr las metas propuestas. Para
identificar sus partes, a continuación, una imagen tomada de la página web
psyciencia:
Las neuronas artificiales son un modelo computacional que permite simular
el comportamiento del cerebro humano, es decir, dotar a las máquinas de la
capacidad de aprender de una manera similar a como lo hace nuestro
cerebro. De acuerdo a Ramis (1943), establece que una neurona artificial “es
una unidad de cálculo que intenta emular el modelo de comportamiento de
una neurona “natural”, similares a las que constituyen del cerebro humano. A
partir de la interconexión de cada unidad esencial se construye una
red neuronal artificial.” (p.1). De esta forma se puede apreciar una neurona
artificial; imagen tomada de la página web xeridia por Garcia Olalla (2019):
Es por ello que se dice que las neuronas artificiales son
funciones matemáticas que el algoritmo utiliza para el proceso de
aprendizaje. Recordemos que un algoritmo en el caso particular de la
informática y de acuerdo a Maluenda (2021) es:

un conjunto de instrucciones definidas, ordenadas y

acotadas para resolver un problema, realizar un cálculo o
desarrollar una tarea. Es decir, un algoritmo es un
procedimiento paso a paso para conseguir un fin. A partir
de un estado e información iniciales, se siguen una serie de
pasos ordenados para llegar a la solución de una
situación. (p. 1).
Las redes neuronales artificiales realizan su proceso a través de varias capas
de representación matemática para que la información tenga cierta lógica.
Los datos que la red utilizará para aprender se transfieren a la entrada de
una de los millones de neuronas artificiales. Estas neuronas son unidades y
tienen una disposición en capas. Casi todas las neuronas se conectan con
las otras neuronas. La conexión es ponderada, lo que define qué neurona
recibirá la información. Una vez que la entrada recibe los datos, transfiere la
información a la unidad oculta, convirtiendo los datos para utilizarlos. Cuando
los datos viajan a través de las neuronas, cada unidad oculta en la neurona
seguirá resolviendo el error. Así es como funciona el proceso de aprendizaje.

Funciones de Activación usadas en las redes neuronales

Al combinar múltiples neuronas de forma adecuada, se puede obtener
una Red Neuronal con la capacidad de realizar procesos de regresión y de
clasificación bastante complejos.
Esta versatilidad se debe en gran parte al uso de una Función de Activación
en cada una de las neuronas de la red. Sin embargo, es importante recordar
que esta función debe satisfacer una característica esencial: su
comportamiento debe ser no lineal.
A continuación veremos en detalle las principales funciones de activación
usadas en los tipos de redes neuronales, desde las convencionales Redes
Neuronales y Convolucionales, hasta las Redes Recurrentes, las Redes
LSTM y las Redes Transformer.

Sotaquirá (2018) en su página web codificando bits, expone tres tipos de

funciones de activación, que de acuerdo a su experiencia son las más
aplicadas:
1.- La función sigmoidal (σ)
Esta función de activación toma cualquier rango de valores a la entrada y los
mapea al rango de 0 a 1 a la salida. Dicho comportamiento se muestra en la
siguiente figura:

En rojo se han resaltado las regiones de saturación

En la actualidad esta función de activación tiene un uso limitado, y realmente

su principal aplicación es la clasificación binaria.
Lo anterior se debe al problema de saturación. Como se observa en la figura
anterior, la función se satura a 1 cuando la entrada (z) es muy alta, y a 0
cuando es muy baja. Esto hace que durante el entrenamiento usando el
método del gradiente descendente, los gradientes calculados sean muy
pequeños, dificultando así la convergencia del algoritmo.
2.- La función tangente hiperbólica (tanh)
Esta función tiene un comportamiento muy similar a la sigmoidal, con la
diferencia de que los valores de salida estarán en el rango de -1 a 1:

La función tangente hiperbólica. En rojo se han resaltado las regiones de saturación

En este caso, la función también sufre del problema de saturación, pero

ofrece la ventaja de tener una salida simétrica lo cual facilita el proceso de
entrenamiento. A pesar de lo anterior es evidente que el problema de la
saturación también limita la aplicabilidad de esta función de activación en
Redes Neuronales. La función ReLU, que veremos a continuación, resuelve
precisamente este inconveniente.
3.- La función ReLU

Su nombre viene de las siglas en Inglés de Rectified Linear Unit (o unidad

lineal rectificada). El comportamiento de esta función se muestra en la
siguiente figura:
 La función ReLU simplemente rectifica los datos (z) negativos y los vuelve cero a la salida.
Las entradas con valores positivos no sufren modificación alguna a la salida

La función ReLU simplemente rectifica los datos (z) negativos y los vuelve
cero a la salida. Las entradas con valores positivos no sufren modificación
alguna a la salida. Esta función generará una salida igual a cero cuando la
entrada (z) sea negativa, y una salida igual a la entrada cuando dicha esta
última sea positiva. La función de activación ReLU se ha convertido en la
más usada en los modelos Deep Learning durante los últimos años, lo cual
se debe principalmente a:
 La no existencia de saturación, como sí ocurre en las funciones
sigmoidal y tanh. Lo anterior hace que el algoritmo del gradiente
descendente converja mucho más rápidamente, facilitando así el
entrenamiento.
 Es más fácil de implementar computacionalmente en comparación con
las otras dos funciones, que requieren el cálculo de funciones
matemáticas más complejas como la exponencial.
La función de activación: recomendaciones de uso
La primera recomendación es usar siempre la función ReLU en las capas
ocultas de la Red Neuronal. Lo anterior hace que el entrenamiento sea más
rápido y es mucho más probable que logre la convergencia del algoritmo del
gradiente descendente. En segundo lugar, se recomienda el uso de las
funciones sigmoidal o tanh únicamente para las capas de salida, por ejemplo,
en la implementación de un clasificador binario.
De acuerdo a la cantidad de información que se nos ofrecen en la actualidad
se puede notar que existen una gran cantidad de funciones de activación, sin
embargo, las antes expuestas pueden ser aplicadas en las redes neuronales,
teniendo una preferencia por ReLU en el uso de las capas ocultas de la red
implementada, siendo la función de activación más usada en la actualidad,
pues no tiene problemas de saturación y es más fácil de implementar que las
otras funciones. Es recomendable usar las funciones sigmoidal
y tanh únicamente en las capas de salida, para tareas de clasificación
binaria.

Relación que existe entre redes neuronales y el Deep learning o

aprendizaje profundo
En su artículo Sarmiento-Ramos (2019) explica de forma sencilla la relación
existente entre las redes neuronales artificiales y el deep learning,
planteando que:

son dos de las herramientas más poderosas del aprendizaje de

máquina, que tienen por objetivo desarrollar sistemas que
aprenden automáticamente, reconocen patrones, predicen
comportamientos y generalizan información a partir de conjuntos
de datos. Estas dos herramientas se han convertido en un
potencial campo de investigación con aplicaciones a la ingeniería.
(p. 1)

De acuerdo a lo investigado y tomando en cuenta lo que plantea el autor se

puede decir que al hacer un ensamblaje de estas 2 herramientas se
perfeccionan los sistemas buscando que nos proporcionen resultados
eficaces en muchas áreas, tal es el caso de la ingeniería biomédica en las
ramas de la ómica, la imagenología, las interfaces cerebro-máquina y
hombre-máquina, y la gestión y administración de la salud pública; ramas
que se extienden desde el estudio de procesos a nivel molecular, hasta
procesos que involucran grandes poblaciones.
El deep learning (DL) o aprendizaje profundo nace gracias a las redes
neuronales artificiales ya que se podría decir que es una evolución de ellas.
El DL se caracteriza por tener múltiples capas de neuronas conectadas entre
sí, lo cual brinda un mejor desempeño que las redes de una sola capa.
Diferencia entre el machine learning y el Deep learning y su relación con
la inteligencia artificial
En el desarrollo de este punto es importante explicar en qué consiste
el machine learning (ML), y tomando un fragmento del artículo de Sarmiento-
Ramos (2019) se encuentra:

El machine learning (ML) conocido en español como

aprendizaje de máquina, es una disciplina de la ciencia de la
computación y una rama de la inteligencia artificial que tiene
por objetivo desarrollar sistemas que aprenden
automáticamente, reconocen patrones y predicen
comportamientos, a partir de conjuntos de datos. (p. 1)

El ser humano ha logrado avances importantes en la tecnología y entre ellos

el ML, nuestros ancestros jamás se hubiesen imaginado que le otorgaríamos
habilidades a una maquina que hasta puede predecir comportamientos; esto
deja en evidencia lo majestuoso de la inteligencia humana, claro esta nunca
las redes neurales artificiales lograran estar a la par de las neuronas
biológicas. En el caso particular de Alonso (2021) conceptualiza y establece
diferencia entre el machine learning y el deep learnig, planteando lo
siguiente:

ML (Machine Learning) es un subconjunto de Inteligencia Artificial

donde las personas «entrenan» a las máquinas para reconocer
patrones basados en datos y hacer sus predicciones, y el DL
(Deep Learning) es un subconjunto de ML en el que la máquina
es capaz de razonar y sacar sus propias conclusiones,
aprendiendo por sí misma. (p. 1)

De forma sencilla el autor explica que el DL es una evolución del ML donde

las redes neuronales se vuelven más especializadas siendo capaz de
razonar y emitir conclusiones por sí misma. Si damos una mirada a la
cotidianidad de la ciencia medica nos encontramos con las resonancias;
donde una persona es introducida en una capsula y de acuerdo a la zona en
estudio esta maquina logra llegar a la zona más minúscula y detectar si hay
algún problema y emitir una conclusión al respecto.
Estape (2020) en su blog bismart, en cuanto a las diferencias establece que:

Tanto el machine learning como el deep learning imitan la forma

de aprender del cerebro humano. Su principal diferencia es,
pues, el tipo de algoritmos que se usan en cada caso, aunque el
deep learning se parece más al aprendizaje humano por su
funcionamiento como neuronas. El machine learning
acostumbra a usar árboles de decisión y el deep learning redes
neuronales, que están más evolucionadas. Además, ambos
pueden aprender de forma supervisada o no supervisada. (p. 2).

De acuerdo a lo planteado por el autor considero que dependiendo de lo que

se quiera lograr se utilizara el Machince Learning o el Deep learning, ya que
ambas buscan imitar el funcionamiento del cerebro humano. En el caso
particular de las personas en algunas ocasiones actuamos de forma
mecánica y en otras es necesario aplicar la lógica y el análisis para lograr el
objetivo.

El machine learning y el Deep learning y su relación con la inteligencia

artificial

La inteligencia artificial nace del deseo de crear máquinas que se comportan

como humanos, esta afirmación ha estado presente en la historia del hombre
desde tiempos remotos. Sin embargo, no fue hasta la II Guerra
Mundial cuando podemos decir que apareció la inteligencia artificial moderna
con Alan Turing. El experto matemático consiguió descifrar el funcionamiento
de Enigma, con la creación de la máquina Bombe. 
En 1950 Turing publicó el artículo “Maquinaria computacional e Inteligencia”,
en el que sentaba las bases de la inteligencia artificial y propuso un
experimento conocido hoy como el Test de Turing, que determina si una
máquina puede pensar. Para ello un juez se ubica en una habitación y
mantiene una conversación con la máquina. Si la persona no puede
distinguir si está hablando con un humano o una máquina, se considera que
es inteligente. Una de las aplicaciones más conocidas de la inteligencia
artificial es la robótica, hoy en día ya muy presente en sectores como la
industria. 
A raíz de la Inteligencia Artificial (IA) numerosos científicos tecnológicos,
matemáticos e involucrados en la materia han realizado innumerables
estudios y practicas logrando a través de los años la creación de una rama
de la IA, el Machine Learnign o aprendizaje automático, haciendo posible que
las máquinas aprendan por sí mismas, sin depender de órdenes. Es decir,
el machine learning implica que la máquina es entrenada para automatizar
tareas imposibles para un ser humano y, como resultado de ese aprendizaje,
puede realizar predicciones. 
Pero si se quiere alcanzar un escalón más profundo debido a una enorme
cantidad de capas de aprendizaje, o de mayor potencia dentro de la
inteligencia artificial y machine learning se crea lo que se conoce como Deep
Learning (DL), gracias a los sistemas basados en IA el DL pueden no solo
aprender conceptos, sino también pueden comprender contextos y entornos
bastante complejos.
Ya todos los seres humanos estamos inmersos en Inteligencia Artificial,
Machine Learning y Deep Learning y por la cotidianidad empujados con la
tecnología no precisamos en que momento los utilizamos, con ejemplos
sencillos les menciono algunos:
Inteligencia Artificial:
  La robótica, hoy en día ya muy presente en sectores como la industria.
 Para crear recomendaciones personalizadas para los consumidores,
basadas, por ejemplo, en sus búsquedas y compras previas o en otros
comportamientos en línea. La IA es muy importante en el comercio,
para optimizar los productos, planear el inventario, procesos
logísticos, etc.

 En la navegación se basa en gran medida en IA.

 Ciberseguridad

 Los sistemas de inteligencia artificial pueden ayudar a reconocer y

luchar contra los ciberataques y otras amenazas en línea basándose
en los datos que reciben continuamente, reconociendo patrones e
impidiendo los ataques. 
Deep Learning:
 Vehículos autónomos para que estos logren identificar aquellos
objetos que los rodean (otros vehículos, personas, semáforos, etc.).
 Los traductores inteligentes, los asistentes de voz como Siri, Google
Home, Cortana o la búsqueda de imágenes similares como
hace Google Photos.
 Análisis de imágenes médicas, como radiografías o resonancias,
mejorando la precisión del diagnóstico
Machine Learning
 El reconocimiento facial en las fotos que publicas en redes sociales o
en servicios de almacenamiento en la nube.
 Plataformas de contenido en streaming como Netflix o Spotify. Sus
recomendaciones de acuerdo a contenidos que has visto o música
que hayas escuchado.
 El texto predictivo o las respuestas automáticas en servicios como
Gmail o en los mensajes de LinkedIn
Conclusiones
Sin lugar a dudas el hombre es el ser mas complejo sobre la faz de la tierra
dotado de una inteligencia incalculable y es a raíz de este planteamiento que
ha sido capaz de llegar en el área tecnológica hasta donde ha llegado y
probablemente tengamos la fortuna de ver o no las maravillas que se tengan
al cabo de unas tres décadas o más.
Todo inicia en la década de los 30 con el británico Alan Turing quien hizo las
primeras bases en inteligencia artificial para poder llegar a crear esta ciencia,
pero este término realmente se acuño en el año 1956 en una conferencia.
De hecho, el desarrollo de la lógica matemática y de la computación en el
siglo XIX fueron los pilares que permitieron el origen y evolución de la
Inteligencia Artificial (IA).
Pero aunado a la inteligencia artificial (IA) también llegan el Machine Learnig
(ML) y el Deep Learning (DL) a nuestras vidas y lo han hecho para quedarse.
De cuerdo a Da Silva (2021) nos dice que el Machine Learning. “es una
aplicación de inteligencia artificial en la que los programas informáticos
utilizan algoritmos para encontrar patrones en los datos. Pueden hacerlo sin
estar programados específicamente para ello, sin depender de los humanos.
(p. 1).
En cuanto al Deep Learning el mismo autor señala que “De hecho, se puede
describir como la nueva evolución del machine learning. Se trata de un
algoritmo automático que imita la percepción humana inspirada en nuestro
cerebro y la conexión entre neuronas (p. 2).
Esta ciencia y sus ramas que incluyen lógica, computación, programación y
que, en un principio, formaba parte de empresas con tecnología de punta y
con objetivos muy específicos, está cada vez más integrada en la sociedad.
Cada día, más sistemas basados en esta ciencia forman parte de nuestro día
a día y nos ayudan a automatizar y facilitar nuestras vidas.
Lo cierto es que la IA, ML y DL automatizan multitud de actividades
realizadas por los humanos, desde la toma de decisiones hasta la propia
metodología humana para saber aprender. Todos conocemos a Siri, a los
coches autónomos de Google, generadores de noticias, reconocimiento
facial de nuestro Smartphone o los dispositivos que hacen nuestra casa
inteligente.
Entre los campos donde las redes neuronales artificiales benefician a la
sociedad se pueden nombrar: diagnóstico médico,  comercio de
acciones, control robótico, leyes, percepción remota, descubrimientos
científicos, juguetes, entre otros.

Referencias
Alonso, R. (2021). IA, Machine Learning y Deep Learning ¿cuál es la
diferencia?
Disponible en: https://hardzone.es/tutoriales/rendimiento/diferencias-ia-deep-
machine-learning/. Consultado en: octubre 11, 2022.

Da Silva, D. (2021). Diferencia entre Machine Learning y Deep Learning.

Disponible en: https://www.zendesk.com.mx/blog/machine-learning-depp-
learning-diferencias/

Estapé, N. (2021) ¿Cuál es la diferencia entre el machine learning y el

Deep learning? Disponible en: https://blog.bismart.com/diferencia-machine-
learning-deep-learning. Consultado en: octubre 09, 2022.

Garcia-Olalla, O. (2019). Redes Neuronales artificiales: Que son y

cómo se entrenan. España. Disponible en: https://www.xeridia .
com/blog/redes-neuronales-artificiales-que-son-y-como-se-
entrenan-parte-i

Maluenda, R. (2021). Qué es un algoritmo informático: características,

tipos y ejemplos. España. Disponible en: https://profile.es/blog/que-es-
un- algoritmo-informatico/. Consultado en: octubre 13, 2022.

Ramis M. (1943). Neurona artificial. Estados unidos, Disponible en:

https://proyectoidis.org/neurona-artificial/. Consultado en: octubre 10, 2022.
Ruiz, L. (2021). Neurona: qué es y cuáles son sus partes. Barcelona –
España. Disponible en: https://www.psyciencia.com/neurona-que-es-y-
cuales-son-sus-partes/. Consultado en: octubre 09, 2022.

Sarmiento-Ramos, Jose (2019). Aplicaciones de las redes neuronales y el

Deep learning a la ingeniería biomédica. Colombia. Disponible en:
https://www.redalyc.org/journal/5537/553768213002/html/. Consultado en:
octubre 11, 2022.

Sotaquira, M. (2018). La Función de Activación. Disponible en:

https://www.codificandobits.com/blog/funcion-de-activacion. Consultado
en: octubre 10, 2022.