República Bolivariana de Venezuela

Ministerio del Poder Popular para la educación

Universidad Bicentenaria de Aragua
Núcleo: San Antonio de los Altos

ACTIVIDAD SUMATIVA I

Docente: Estudiante:

Victor Lopez Lisbeth Rodrigues

 Introducción:

Las Redes Neuronales Artificiales son sistemas de información el cual su

funcionamiento está inspirado en redes neuronales biológicas. Hace parte de un
conjunto de procesamiento llamado nodo o neuronas conectadas a través de un
valor numérico modificable conocido como peso.

Este tipo de redes están volviendo a ser tendencia debido a los diferentes logros
que están consiguiendo. Un ejemplo reciente es Google, quien logró superar su
propio reCAPTCHA, (sistema que utiliza Google para detectar tráfico procedente
de programas automatizados o bots), usando redes neuronales y generando
metas e ideas impresionantes al lograr reproducir el funcionamiento de un cerebro
humano con un ordenador.

El funcionamiento de las redes neuronales se asemeja al de un cerebro humano.

Las RNA reciben un valor de entrada para luego llegar hasta un nodo que es
llamado neurona, cada una posee un peso (valor numérico) con el cual se logra
modificar la entrada recibida.
Fundamentos de las redes neuronales: 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.

Para conseguir que una red neuronal realice las funciones deseadas, es necesario
entrenarla. 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, consiguiendo un modelo capaz de
obtener resultados muy acertados incluso con datos muy diferentes a los que han
sido utilizados durante su entrenamiento.

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.

Redes neuronales biológicas; El cerebro humano

promedio cuenta con aproximadamente mil millones de neuronas.
Asimismo, durante las sinápsis cada una de estas
neuronas recibe en promedio alrededor de 1000 estímulos
de entrada y genera alrededor de 1000 estímulos de
salida. En este sentido, la principal ventaja del cerebro
humano promedio recae en su conectividad, interpretada como la
capacidad del mismo para realizar diferentes procedimientos
lógicos a la vez. Sin embargo, su principal debilidad
recae en la velocidad de
procesamiento de la información, siendo las computadoras
en este sentido, muchísimo más
rápidas.

El objetivo de
las redes neuronales de tipo biológico se constituye en
desarrollar un elemento sintáctico que permita verificar
las hipótesis correspondientes a los
demás sistemas biológicos. Es decir, las redes
neuronales de tipo biológico deben recibir y procesar
información de otros sistemas biológicos y
devolver una respuesta de acción efectiva.

La mayor parte
de las neuronas posee una estructura
arbórea formada en su mayor parte por dendritas que,
conectadas a otras neuronas, se encargan de recibir los
estímulos de entrada neuronales mediante uniones
denominas sinopsis. Algunas neuronas tiene una estructura que
las comunica con miles de neuronas más, mientras otras
sólo puede comunicarse con unas cuantas a su alrededor.
Las tres partes importantes de la estructura de una neurona
son:
  Ramas de Extensión o
Dendritas – Reciben estímulos de
Entrada.
 Cuerpo de la Neurona –
Procesa estímulos de Entrada.
 Axón – Emite
estímulos de Salida a las Dendritas de otras
neuronas.

Actualmente no sé conoce con certeza la verdadera forma de interacción de las

neuronas. En general,
una neurona recibe estímulos de entrada mediante las
dendritas, estos estímulos son procesados en el cuerpo
de la misma para posteriormente emitir un estímulo de
salida mediante el axón. Este último
estímulo utiliza diferencias de potencial
eléctrico u ondas de
corriente las cuales dependen fundamentalmente del potencial de
la neurona. Asimismo, la neurona utiliza la función
de escalón y la función de activación para
determinar la salida que debe emitir de acuerdo a los
estímulos recibidos.

Estructura de una red neuronal: 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.
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.

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. Continuamente se presentan a la red ejemplos para los que se
conoce el resultado, y las respuestas que proporciona se comparan con los
resultados conocidos. La información procedente de esta comparación se pasa
hacia atrás a través de la red, cambiando las ponderaciones gradualmente. 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.
 Conclusión:

Las redes neuronales son una de las herramientas más utilizadas por el hombre
para imitar el comportamiento de sí mismo, por lo cual se hace que estudiemos a
profundidad su metodología de trabajo, así como la aplicación de los diferentes
modelos matemáticos que la conforman, para poder comprender su
funcionamiento, sobre todo cuando son utilizadas para caracterizar y pronosticar el
comportamiento de variables que dependen de otras variables.

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 Bibliográficas:

Atria Innovation. (2019, Octubre 2022). Qué son las redes neuronales y sus

funciones. ATRIA Innovation. Recuperado el 14 de Febrero de 2023

https://www.atriainnovation.com/que-son-las-redes-neuronales-y-sus-

funciones/

¿Qué son las redes neuronales y cómo funcionan? El blog de T-Systems Iberia; T-

Systems Iberia. Recuperado el 14 de Febrero de 2023 https://www.t-

systemsblog.es/redes-neuronales/

IBM Documentation. (2021, Agosto 17). Ibm.com. Recuperado el 14 de Febrero de

2023 https://www.ibm.com/docs/es/spss-modeler/saas?topic=networks-

neural-model