REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA

EDUCACIÓN UNIVERSITARIA
CIENCIA Y TECNOLOGÍA
INSTITUTO UNIVERSITARIO POLITÉCNICO
“SANTIAGO MARIÑO”
EXTENSIÓN MARACAY

Redes Neuronales

Autor: Rafael Centeno

Maracay, Julio 2022

 Introducción

Las redes neuronales, son un modelo matemático inspirado en el

comportamiento biológico de las neuronas y en la estructura del cerebro. Estas
también pueden ser vista como un sistema inteligente que lleva a cabo tareas de
manera distinta a como lo hacen las computadoras actuales. Si bien estas últimas
son muy rápidas en el procesamiento de la información, existen tareas muy
complejas, como el reconocimiento y clasificación de patrones, que demandan
demasiado tiempo y esfuerzo aún en las computadoras más potentes de la
actualidad, pero que el cerebro humano es más apto para resolverlas, muchas
veces sin aparente esfuerzo. El cerebro puede considerarse un sistema altamente
complejo. Su unidad básica, la neurona, esta masivamente distribuida con
conexiones entre ellas (se calcula que hay aproximadamente 10 billones de
neuronas en la corteza cerebral y 60 trillones de conexiones neuronales). La
manera en que respondemos ante los estímulos del mundo exterior y nuestro
aprendizaje del mismo está directamente relacionado con las conexiones
neuronales del cerebro, y las redes neuronales son un intento de emular este
hecho.
 ¿Qué es una red neuronal?

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. Se trata de un tipo de proceso de machine
learning llamado aprendizaje profundo, que utiliza los nodos o las neuronas
interconectados en una estructura de capas que se parece al cerebro humano.
Crea un sistema adaptable que las computadoras utilizan para aprender de sus
errores y mejorar continuamente. De esta forma, las redes neuronales artificiales
intentan resolver problemas complicados, como la realización de resúmenes de
documentos o el reconocimiento de rostros, con mayor precisión.

¿Por qué son importantes las redes neuronales?

Las redes neuronales pueden ayudar a las computadoras a tomar decisiones

inteligentes con asistencia humana limitada. Esto se debe a que pueden aprender
y modelar las relaciones entre los datos de entrada y salida que no son lineales y
que son complejos. Por ejemplo, pueden realizar las siguientes tareas.

Hacer generalizaciones y sacar conclusiones

Las redes neuronales pueden comprender datos no estructurados y hacer

observaciones generales sin un entrenamiento explícito. Por ejemplo, pueden
reconocer que dos oraciones de entrada diferentes tienen un significado similar:

 ¿Puede explicarme cómo hacer el pago?

 ¿Cómo puedo transferir dinero?

Una red neuronal sabría que ambas oraciones significan lo mismo. O sería
capaz de reconocer, en términos generales, que Baxter Road es un lugar, pero
que Baxter Smith es el nombre de una persona.
 Revelar relaciones y patrones ocultos

Las redes neuronales pueden analizar con mayor profundidad los datos sin
procesar y revelar conocimientos nuevos para los que no han sido entrenadas.
Por ejemplo, consideremos una red neuronal de reconocimiento de patrones que
analiza las compras de los consumidores. Si compara los patrones de compra de
varios usuarios, la red neuronal puede sugerir artículos nuevos que podrían
interesar a un consumidor específico.

Crear sistemas de autoaprendizaje autónomos

Las redes neuronales pueden aprender y mejorar con el tiempo en función

del comportamiento del usuario. Por ejemplo, consideremos una red neuronal que
corrija o sugiera palabras de forma automática mediante el análisis de su
comportamiento de escritura. Supongamos que el modelo fue entrenado en el
idioma inglés y puede corregir la ortografía de las palabras en inglés. Sin
embargo, si escribe con frecuencia palabras que no están en inglés, como danke,
la red neuronal también puede aprender y corregir estas palabras de forma
automática.

Aprender y modelar datos muy volátiles

Algunos conjuntos de datos, como los importes de los reembolsos de los

préstamos en un banco, pueden tener grandes variaciones. Las redes neuronales
también pueden modelar estos datos. Por ejemplo, pueden analizar las
transacciones financieras y señalar algunas de ellas para la detección de fraudes.
También pueden procesar datos complejos que son la clave de problemas
biológicos difíciles como el plegamiento de proteínas o el análisis del ADN, entre
otros.
 ¿Para qué se utilizan las redes neuronales?

Las redes neuronales están presentes en varios casos de uso en muchos

sectores, como los siguientes:

 Diagnóstico médico mediante la clasificación de imágenes médicas

 Marketing orientado mediante el filtrado de redes sociales y el análisis

de datos de comportamiento

 predicciones financieras mediante el procesamiento de datos

históricos de instrumentos financieros

 Previsión de la carga eléctrica y la demanda de energía

 Proceso y control de calidad

 Identificación de compuestos químicos

A continuación, presentamos cuatro de las aplicaciones más importantes de

las redes neuronales.

Visión artificial

La visión artificial es la capacidad que tienen las computadoras para extraer

información y conocimientos de imágenes y videos. Con las redes neuronales, las
computadoras pueden distinguir y reconocer imágenes de forma similar a los
humanos. La visión artificial tiene varias aplicaciones, como las siguientes:

 Reconocimiento visual en los vehículos autónomos para que puedan

reconocer las señales de tráfico y a otros usuarios del camino
  Moderación de contenido para eliminar de forma automática los
contenidos inseguros o inapropiados de los archivos de imágenes y
videos

 Reconocimiento facial para identificar rostros y reconocer atributos

como ojos abiertos, gafas y vello facial

 Etiquetado de imágenes para identificar logotipos de marcas, ropa,

equipos de seguridad y otros detalles de la imagen

Reconocimiento de voz

Las redes neuronales pueden analizar el habla humana a pesar de los

diferentes patrones de habla, el tono, el idioma y el acento. Los asistentes
virtuales como Amazon Alexa y el software de transcripción automática utilizan el
reconocimiento de voz para realizar tareas como las siguientes:

 Asistir a los agentes de los centros de llamadas y clasificar las

llamadas de forma automática

 Convertir las conversaciones clínicas en documentación en tiempo

real

 Subtitular con precisión videos y grabaciones de reuniones para

aumentar el alcance del contenido

Procesamiento de lenguaje natural

El procesamiento de lenguaje natural (PLN) es la capacidad de procesar

texto natural creado por humanos. Las redes neuronales ayudan a las
computadoras a obtener información y significado a partir de los datos y los
documentos de texto. El PLN está presente en varios casos de uso, entre los que
se incluyen los siguientes:

 Chatbots y agentes virtuales automatizados

  Organización y clasificación automáticas de datos escritos

 Análisis de inteligencia empresarial de documentos con formato largo,

como emails y formularios

 Indexación de frases clave que indican sentimientos, como los

comentarios positivos y negativos en las redes sociales

 Resumen de documentos y producción de artículos para un tema

determinado

Motores de recomendaciones

Las redes neuronales pueden hacer un seguimiento de la actividad del

usuario para elaborar recomendaciones personalizadas. También pueden analizar
todo el comportamiento de los usuarios y descubrir productos o servicios nuevos
que interesen a un usuario específico. Por ejemplo, Curalate, una empresa
emergente con sede en Filadelfia, ayuda a las marcas a convertir las
publicaciones en las redes sociales en ventas. Las marcas utilizan el servicio de
etiquetado inteligente de productos (IPT) de Curalate para automatizar la
recopilación y la selección del contenido social que generan los usuarios. El IPT
utiliza las redes neuronales para encontrar y recomendar de forma automática
productos relevantes para la actividad del usuario en las redes sociales. Los
consumidores no tienen que buscar en los catálogos en línea para encontrar un
producto específico a partir de una imagen en las redes sociales. En cambio,
pueden utilizar el etiquetado automático de productos de Curalate para comprar el
producto con facilidad.

¿Cómo funcionan las redes neuronales?

El cerebro humano es lo que inspira la arquitectura de las redes neuronales.

Las células del cerebro humano, llamadas neuronas, forman una red compleja y
con un alto nivel de interconexión y se envían señales eléctricas entre sí para
ayudar a los humanos a procesar la información. De manera similar, una red
neuronal artificial está formada por neuronas artificiales que trabajan juntas para
resolver un problema. Las neuronas artificiales son módulos de software,
llamados nodos, y las redes neuronales artificiales son programas de software o
algoritmos que, en esencia, utilizan sistemas informáticos para resolver cálculos
matemáticos.

Arquitectura de una red neuronal simple

Una red neuronal básica tiene neuronas artificiales interconectadas en tres

capas:

Capa de entrada

La información del mundo exterior entra en la red neuronal artificial desde la

capa de entrada. Los nodos de entrada procesan los datos, los analizan o los
clasifican y los pasan a la siguiente capa.

Capa oculta

Las capas ocultas toman su entrada de la capa de entrada o de otras capas

ocultas. Las redes neuronales artificiales pueden tener una gran cantidad de
capas ocultas. Cada capa oculta analiza la salida de la capa anterior, la procesa
aún más y la pasa a la siguiente capa.

Capa de salida

La capa de salida proporciona el resultado final de todo el procesamiento de

datos que realiza la red neuronal artificial. Puede tener uno o varios nodos. Por
ejemplo, si tenemos un problema de clasificación binaria (sí/no), la capa de salida
tendrá un nodo de salida que dará como resultado 1 o 0. Sin embargo, si tenemos
un problema de clasificación multiclase, la capa de salida puede estar formada
por más de un nodo de salida.

Arquitectura de una red neuronal profunda

 Las redes neuronales profundas, o redes de aprendizaje profundo, tienen
varias capas ocultas con millones de neuronas artificiales conectadas entre sí. Un
número, denominado peso, representa las conexiones entre un nodo y otro. El
peso es un número positivo si un nodo estimula a otro, o negativo si un nodo
suprime a otro. Los nodos con valores de peso más altos tienen mayor influencia
en los demás nodos.
En teoría, las redes neuronales profundas pueden asignar cualquier tipo de
entrada a cualquier tipo de salida. Sin embargo, también necesitan mucho más
entrenamiento en comparación con otros métodos de machine learning. Necesitan
millones de ejemplos de datos de entrenamiento en lugar de los cientos o miles
que podría necesitar una red más simple.

¿Cuáles son los tipos de redes neuronales?

Las redes neuronales artificiales pueden clasificarse en función de cómo

fluyen los datos desde el nodo de entrada hasta el nodo de salida. A continuación,
se indican varios ejemplos:

Redes neuronales prealimentadas

Las redes neuronales prealimentadas procesan los datos en una dirección,

desde el nodo de entrada hasta el nodo de salida. Todos los nodos de una capa
están conectados a todos los nodos de la capa siguiente. Una red prealimentada
utiliza un proceso de retroalimentación para mejorar las predicciones a lo largo del
tiempo.

Algoritmo de retropropagación

Las redes neuronales artificiales aprenden de forma continua mediante el

uso de bucles de retroalimentación correctivos para mejorar su análisis predictivo.
En pocas palabras, puede pensar en los datos que fluyen desde el nodo de
entrada hasta el nodo de salida a través de muchos caminos diferentes en la red
neuronal. Solo un camino es el correcto: el que asigna el nodo de entrada al nodo
de salida correcto. Para encontrar este camino, la red neuronal utiliza un bucle de
retroalimentación que funciona de la siguiente manera:

1. Cada nodo intenta adivinar el siguiente nodo de la ruta.

2. Se comprueba si la suposición es correcta. Los nodos asignan valores

de peso más altos a las rutas que conducen a más suposiciones
correctas y valores de peso más bajos a las rutas de los nodos que
conducen a suposiciones incorrectas.

3. Para el siguiente punto de datos, los nodos realizan una predicción

nueva con las trayectorias de mayor peso y luego repiten el paso 1.

Redes neuronales convolucionales

Las capas ocultas de las redes neuronales convolucionales realizan

funciones matemáticas específicas, como la síntesis o el filtrado, denominadas
convoluciones. Son muy útiles para la clasificación de imágenes porque pueden
extraer características relevantes de las imágenes que son útiles para el
reconocimiento y la clasificación de imágenes. La forma nueva es más fácil de
procesar sin perder características que son fundamentales para hacer una buena
predicción. Cada capa oculta extrae y procesa diferentes características de la
imagen, como los bordes, el color y la profundidad.

¿Cómo entrenar las redes neuronales?

El entrenamiento de redes neuronales es el proceso de enseñar a una red

neuronal a realizar una tarea. En principio, las redes neuronales aprenden
procesando varios conjuntos grandes de datos etiquetados o sin etiquetar. Debido
a que utilizan estos ejemplos, pueden procesar entradas desconocidas con mayor
precisión.

Aprendizaje supervisado
 En el aprendizaje supervisado, los científicos de datos proporcionan a las
redes neuronales artificiales conjuntos de datos etiquetados que ofrecen la
respuesta correcta por adelantado. Por ejemplo, una red de aprendizaje profundo
que se entrena sobre el reconocimiento facial, en un principio, procesa cientos de
miles de imágenes de rostros humanos, con varios términos relacionados con el
origen étnico, el país o la emoción que describen a cada imagen.
La red neuronal aumenta lentamente el conocimiento a partir de estos conjuntos
de datos, que proporcionan la respuesta correcta por adelantado. Una vez que se
entrena la red, comienza a adivinar el origen étnico o la emoción de una imagen
nueva de un rostro humano que nunca antes ha procesado.

¿Qué es el aprendizaje profundo en el contexto de las redes neuronales?

La inteligencia artificial es el campo de las ciencias de la computación que

investiga métodos para dar a las máquinas la capacidad de realizar tareas que
requieren inteligencia humana. El machine learning es una técnica de inteligencia
artificial que otorga a las computadoras acceso a conjuntos de datos muy grandes
y les enseña a aprender de estos datos. El software de machine
learning encuentra patrones en los datos existentes y los aplica a datos nuevos
para tomar decisiones inteligentes. El aprendizaje profundo es un subconjunto
del machine learning que utiliza las redes de aprendizaje profundo para procesar
los datos.

Comparación entre machine learning y aprendizaje profundo

Los métodos tradicionales de machine learning requieren la intervención

humana para que el software de machine learning funcione suficientemente bien.
Un científico de datos determina de forma manual el conjunto de características
relevantes que el software debe analizar. Esto limita la capacidad del software, lo
que hace que su creación y administración sean tediosas.
Por otro lado, en el aprendizaje profundo, el científico de datos solo proporciona
datos sin procesar al software. La red de aprendizaje profundo obtiene las
características por sí misma y aprende de forma más independiente. Puede
analizar conjuntos de datos no estructurados como documentos de texto,
identificar qué atributos de los datos deben priorizarse y resolver problemas más
complejos.
Por ejemplo, si se entrenara un software de machine learning para identificar la
imagen de una mascota de forma correcta, debería seguir estos pasos:

 Encontrar y etiquetar de forma manual miles de imágenes de

mascotas, como gatos, perros, caballos, hámsters, loros, etc.

 Indicar al software de machine learning qué características debe

buscar para poder identificar la imagen mediante la eliminación. Por
ejemplo, podría contar el número de patas, comprobar la forma de los
ojos, la forma de las orejas, la cola, el pelo, etc.

 Evaluar y cambiar de forma manual los conjuntos de datos

etiquetados para mejorar la precisión del software. Por ejemplo, si su
conjunto de entrenamiento cuenta con demasiadas fotos de gatos
negros, el software identificará de forma correcta a un gato negro,
pero no a uno blanco.

 En el aprendizaje profundo, sin embargo, las redes neuronales

procesarían todas las imágenes y determinarían de forma automática
que necesitan analizar primero el número de patas y la forma de la
cara, y mirar las colas en último lugar para identificar con éxito el
animal en la imagen.
 Conclusiones

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.

Los modelos matemáticos en que han sido desarrollados los algoritmos para
todos los tipos de redes son modelos sencillos, que, aunque exigen cierto grado
de conocimientos de cálculo diferencial, pueden ser asimilados y desarrollados en
cualquier lenguaje de programación.

Por otro lado, las estructuras de las redes se han definido por medio de
notación sencilla y comprensible, cada nuevo desarrollo permite cierta flexibilidad
en cuanto a la forma final de la red y esto garantiza su fácil adaptación a
aplicaciones particulares.

Las redes neuronales son una teoría relativamente nueva que junto a otras
técnicas de inteligencia artificial, han generado soluciones muy confiables a
problemas de ingeniería.
 Bibliografía

https://aws.amazon.com/es/what-is/neural-network/

https://books.google.co.ve/books?
hl=es&lr=&id=RKqLMCw3IUkC&oi=fnd&pg=PA1&dq=introduccion+redes+neurona
les&ots=iHIGk3CYcO&sig=Nu1Rz_sQ7MQBtjMli0DWnon-
qIY#v=onepage&q=introduccion%20redes%20neuronales&f=false

chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://
www.famaf.unc.edu.ar/~revm/digital24-3/redes.pdf