INTRODUCCIÓN

Conseguir diseñar y construir máquinas capaces de realizar procesos con cierta inteligencia ha
sido uno de los principales objetivos de los científicos a lo largo de la historia. De los intentos reali-
zados en este sentido se han llegado a definir las líneas fundamentales para la obtención de máqui-
nas inteligentes: En un principio los esfuerzos estuvieron dirigidos a la obtención de autómatas, en
el sentido de máquinas que realizaran, con más o menos éxito, alguna función típica de los seres hu-
manos. Hoy en día se continúa estudiando en ésta misma línea, con resultados sorprendentes, exis-
ten maneras de realizar procesos similares a los inteligentes y que podemos encuadrar dentro de la
llamada Inteligencia Artificial (IA). La otra línea de la investigación ha tratado de aplicar principios
físicos que rigen en la naturaleza para obtener máquinas que realicen trabajos pesados en nuestro lu-
gar. De igual manera se puede pensar respecto a la forma y capacidad de razonamiento humano; se
puede intentar obtener máquinas con esta capacidad basadas en el mismo principio de funciona-
miento. No se trata de construir máquinas que compitan con los seres humanos, sino que realicen
ciertas tareas de rango intelectual con que ayudarle, principio b ásico de la Inteligencia Artificial.
 Red Neuronal Artificial

La RNA Es un procesamiento automático que con cierto estimulo produce una salida, intentando
simular las reacciones que producen las neuronas humanas o animales al recibir cierto estimulo. Las
redes neuronales son una simulación de funciones de los sistemas neuronales biológicos a través de
modelos matemáticos los cuales son recreados por mecanismos artificiales, el objetivo es que una
maquina pueda dar las respuestas que el cerebro puede ofrecer las redes de neuronas artificiales son
un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el
sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas en una red
que colabora para producir un estímulo de salida. En inteligencia artificial es frecuente referirse a
ellas como redes de neuronas o redes neuronales, aunque ahora las posibilidades que tenemos de
otorgar una inteligencia está cada vez yendo más rápido pues hoy en día se usan en unidades de pro-
cesamiento que intercambian datos o información, en el reconocimiento de patrones (imágenes, tex-
tos, secuencias de tiempo, sonidos y algunas tendencias financieras) y algunas muy avanzadas pue-
den mejorar su funcionamiento.

A nivel esquemático, una neurona artificial se representa del siguiente modo:

En el caso de las neuronas artificiales, la suma de las entradas multiplicadas por sus pesos aso-
ciados determina el “impulso nervioso” que recibe la neurona. Este valor, se procesa en el interior
de la célula mediante una función de activación que devuelve un valor que se envía como salida de
la neurona.
Del mismo modo que nuestro cerebro está compuesto por neuronas interconectadas entre sí, una
red neuronal artificial está formada por neuronas artificiales conectadas entre sí y agrupadas en dife-
rentes niveles que denominamos capas:
» Una capa es un conjunto de neuronas cuyas entradas provienen de una capa anterior (o de los
datos de entrada en el caso de la primera capa) y cuyas salidas son la entrada de una capa posterior.»

En la siguiente imagen podemos ver una red con cuatro capas:

Las neuronas de la primera capa reciben como entrada los datos reales que alimentan a la red
neuronal. Es por eso por lo que la primera capa se conoce como capa de entrada. La salida de la úl-
tima capa es el resultado visible de la red, por lo que la última capa se conoce como la capa de sali-
da. Las capas que se sitúan entre la capa de entrada y la capa de salida se conocen como capas ocul-
tas ya que desconocemos tanto los valores de entrada como los de salida.

Una red neuronal, por lo tanto, siempre está compuesta por una capa de entrada, una capa de
salida (si solo hay una capa en la red neuronal, la capa de entrada coincide con la capa de salida) y
puede contener 0 o más capas ocultas. El concepto de Deep Learning nace a raíz de utilizar un gran
número de capas ocultas en las redes.

Desarrollo Histórico
https://www.xeridia.com/blog/redes-neuronales-artificiales-que-son-y-como-se-entrenan-parte-i