FACULTAD DE INGENIERÍA
ESCUELA PROFESIONAL DE INGENIERÍA
DE SISTEMAS
TEMA
Estado del arte de las redes neuronales artificiales
ALUMNO:
Cedillo Flores Jhonatan
DOCENTE:
Dr. Jorge Gutiérrez Gutiérrez
PERÚ-2023
INTRODUCCION
En los últimos años, las “redes neuronales artificiales” han progresado significativamente
y se han convertido en una de las áreas más emocionantes y prometedoras de la
inteligencia artificial. Inspiradas en el proceso en que funciona el cerebro humano, estas
redes se han trasformado en una herramienta de proceso de aprendizaje automático
poderosa y de gran éxito en muchas aplicaciones. La clave del éxito de una red neuronal
es su capacidad para aprender y adaptarse a grandes conjuntos de datos. Cuando se
entrenan, estas redes pueden detectar patrones complejos, extraer características
importantes y hacer predicciones precisas basadas en la información proporcionada. Esto
ha llevado a avances significativos en áreas como la visión artificial y el procesamiento
del lenguaje natural, la robótica y muchas otras áreas donde el procesamiento y la
interpretación de datos juegan un papel clave.
El crecimiento exponencial de la cantidad de datos libres y los avances en la potencia
informática han impulsado aún más el desarrollo de las redes neuronales artificiales.
Ahora se pueden entrenar modelos más grandes y complejos, lo que da como resultado
mejoras significativas en la precisión y el rendimiento. Además, la aparición de
arquitecturas de redes neuronales profundas con muchas capas ocultas ha permitido la
creación de sistemas de aprendizaje más complejos capaces de realizar tareas cada vez
más complejas a un nivel de abstracción superior.
También se puede agregar que en el Perú existen varios temas de investigación en las
diferentes áreas de inteligencia. Voy a mencionar una que puedes ser temas de
investigación que se están abonando en Perú:
En la salud podemos encontrar una investigación interesante, titulada “Aplicación de
redes neuronales es la detección de enfermedades mediante análisis de imágenes médicas
en Perú”, dicha investigación tiene como objetivo utilizar las redes neuronales para el
desarrollo de un sistema automatizado que permita la detección de enfermedades a través
de análisis de imágenes médicas en Perú.
2
DESCRIPCIÓN
El estado actual de las redes neuronales artificiales se está desarrollando y avanzando
rápidamente en los últimos años. Inspirada en la forma en que funciona el cerebro
humano, una red neuronal artificial es un tipo de modelo de aprendizaje automático que
ha demostrado ser muy exitoso en una variedad de aplicaciones (1).
Una de las principales razones del avance en el campo de las redes neuronales artificiales
ha habido un aumento impresionante en la cantidad de datos disponibles, así como el
aumento de la potencia informática de los sistemas informáticos modernos. Esto permite
entrenar modelos más grandes y complejos, lo que mejora la precisión y el rendimiento
de la red neuronal (2).
3
Cuando se trata de arquitectura de redes neuronales, el uso de redes neuronales profundas,
también conocidas como redes neuronales de aprendizaje profundo, se ha vuelto popular.
Estas redes incluyen varias capas ocultas que permiten extraer características y
representaciones cada vez más abstractas a medida que los datos viajan a través de la red.
Las redes neuronales profundas han demostrado capacidades excepcionales en el
procesamiento de imágenes, el reconocimiento de voz, la traducción automática, el
procesamiento de lenguaje natural y más (3).
En términos de algoritmos de aprendizaje, las redes neuronales se han beneficiado de
mejoras metodológicas como el descenso de gradiente estocástico, lo que permite
entrenar modelos de manera más rápida y eficiente. Además, se han desarrollado nuevas
arquitecturas de redes neuronales, como la red neuronal convolucional (CNN) para el
procesamiento de imágenes y la red neuronal recursiva (RNN) para el procesamiento de
series temporales, que mejoran significativamente el rendimiento en algunas áreas (4).
Otro avance importante en las redes neuronales artificiales es el uso de técnicas de
regularización como el abandono, la normalización por lotes y la regularización del peso
(ajuste del número) que ayuda a evitar el sobre equipamiento. y mejorar la generalidad
del modelo.
Además, ha habido un aumento en el uso de unidades de activación no lineales, como la
función de activación ReLU (Unidad lineal rectificada), que ha demostrado ser más
4
eficiente en el entrenamiento de redes neuronales profundas en comparación con las
funciones de activación tradicionales. tangente sigmoidal o hiperbólica (5).
Desde una perspectiva de hardware, el desarrollo de unidades de procesos gráficos (GPU)
de alto rendimiento es esencial para el entrenamiento rápido de redes neuronales
profundas, ya que permiten un procesamiento paralelo eficiente. Además, se están
explorando nuevas arquitecturas de hardware especializadas, como Unidades de
procesamiento de tensión (TPU) y Unidades de procesamiento neuronal (NPU),
diseñadas específicamente para acelerar el procesamiento de la gestión de redes
neuronales (6).
5
CONCLUSIONES
Las redes neuronales artificiales han experimentado un rápido desarrollo y avance
en los últimos años debido al aumento en la disponibilidad de datos y el poder de
cómputo de los sistemas informáticos modernos. Esto le permite entrenar modelos
más grandes y complejos, mejorando la precisión y el rendimiento de la red
neuronal.
Las arquitecturas de redes neuronales profundas, como las redes neuronales
convolucionales y recursivas, han demostrado ser muy exitosas en áreas como el
procesamiento de imágenes, el reconocimiento de voz, la traducción automática
y el procesamiento del lenguaje. Estas arquitecturas permiten la extracción de
funciones y representaciones cada vez más abstractas a medida que los datos se
mueven por la red.
Los algoritmos de aprendizaje como el descenso de gradiente estocástico y la
regularización han contribuido al éxito de las redes neuronales artificiales. Estos
métodos permiten un entrenamiento más rápido y eficiente, evitan el sobreajuste
y mejoran la generalización del modelo.
Las funciones de activación no lineal, como la función ReLU, han reemplazado
en gran medida a las funciones tradicionales, como la tangente sigmoidea o
hiperbólica, debido a su capacidad para entrenar redes neuronales profundas de
manera más eficiente.
El desarrollo de hardware especializado como GPU, TPU y NPU es fundamental
para el entrenamiento y procesamiento rápido de redes neuronales. Optimizados
para el aprendizaje automático, estos procesadores aceleran la computación y
permiten un paralelismo eficiente.
6
Referencias
1 López RFaJMFF. Libros - Books. [Online].; 2008 [cited 2023 Mayo 15. Available from:
. [Link]
+actual+del+arte+de+las+redes+neuronales+artificiales&ots=gOPAgqlr0i&sig=jyyiDbUVPuw3
Iq4rpPWeAY1Y-9k.
2 Chanempe H, Aciar S, Vega M, Molinari Sotomayor JL, Carrascosa G, Lorefice A. SEDICI.
. [Online].; 2019 [cited 2023 Mayo 15. Available from:
[Link]
3 Salas R. [Link]. [Online].; 2004 [cited 2023 Mayo 15. Available from:
. [Link]
4 Anguita JGMaÓDO. Dialnet. [Online].; 2021 [cited 2023 Mayo 15. Available from:
. [Link]
5 Escobar R. conductual. [Online].; 2014 [cited 2023 Mayo 15. Available from:
. [Link]
%20analisis%20de%20la%[Link].
6 Villaseñor EBMPCaJRCP. UVP. [Online].; 2021 [cited 2023 Mayo 15. Available from:
. [Link]
7
ANEXOS
