Deber de investigación
Nombre: Michelle Calderón
Carrera: Sistemas computacionales
Informe sobre Redes neuronales
Introducción
Las redes neuronales, inspiradas por el cerebro humano, son un componente esencial en
el campo de la inteligencia artificial. Estas estructuras computacionales han
revolucionado diversas áreas, desde el reconocimiento de patrones hasta la toma de
decisiones. Este informe explora en profundidad el mundo de las redes neuronales,
desde sus fundamentos hasta sus aplicaciones avanzadas.
I. Fundamentos de las Redes Neuronales
A. Neuronas artificiales:
Las redes neuronales son la unidad básica de una red neuronal. Estas unidades
computacionales reciben entradas ponderadas, las suman y aplican una función de
activación para producir una salida. Las funciones de activación, como la sigmoide y la
función ReLU, introducen no linealidades cruciales en el modelo.
B. Estructura de una red neuronal:
Las redes neuronales están organizadas en capas. Una red típica consta de una capa de
entrada, una o más capas ocultas y una capa de salida. La información fluye a través de
la red desde las entradas hasta las salidas, con cada capa realizando transformaciones
específicas.
C. Conexiones ponderadas:
Las conexiones entre neuronas tienen pesos asociados que se ajustan durante el
entrenamiento. Estos pesos determinan la importancia de las entradas y juegan un papel
crucial en el aprendizaje de la red.
II. Tipos de Redes Neuronales
A. Redes neuronales Feedforward (FNN):
En estas redes, la información se mueve en una dirección, de la entrada a la salida, sin
bucles ni retroalimentación. Las FNN son eficaces para tareas de clasificación y
regresión.
B. Redes neuronales recurrentes (RNN):
Las RNN contienen ciclos en su estructura, permitiendo la retroalimentación de las
salidas a las entradas. Son ideales para modelar secuencias temporales y datos con
dependencias temporales.
C. Redes neuronales convolucionales (CNN):
Las CNN están diseñadas para procesar datos en forma de cuadrículas, como imágenes.
Utilizan capas convolucionales para aprender patrones espaciales y son ampliamente
utilizadas en tareas de visión por computadora.
III. Entrenamiento de Redes Neuronales
A. Retropropagación:
La retropropagación es un algoritmo fundamental para entrenar redes neuronales.
Consiste en propagar el error desde la capa de salida hacia atrás a través de la red,
ajustando los pesos para minimizar este error.
B. Funciones de Pérdida:
Las funciones de pérdida cuantifican qué tan bien está realizando la red en comparación
con los datos de entrenamiento. La elección de una función de pérdida adecuada es
esencial y varía según el tipo de problema (clasificación, regresión, etc.).
C. Optimización:
Los algoritmos de optimización, como el descenso del gradiente, ajustan los pesos de la
red para minimizar la función de pérdida. La tasa de aprendizaje y otros
hiperparámetros juegan un papel crucial en la convergencia del modelo.
IV. Desafíos y Avances Recientes
A. Desafíos en el entrenamiento:
El sobreajuste, donde la red aprende demasiado los datos de entrenamiento y no
generaliza bien a nuevos datos, es un desafío común. Técnicas como la regularización y
el dropout se utilizan para mitigar este problema.
B. Redes Neuronales Profundas:
Las redes neuronales profundas, con muchas capas ocultas, han demostrado un poder
impresionante en la extracción de características complejas. Sin embargo, entrenar redes
profundas presenta desafíos únicos, incluyendo el problema del gradiente que
desaparece/explota.
C. Aprendizaje no supervisado:
El aprendizaje no supervisado, donde las redes descubren patrones sin etiquetas
explícitas, es un área de investigación activa. Las redes generativas y los autoencoders
son ejemplos de arquitecturas utilizadas en este contexto.
V. Aplicaciones de Redes Neuronales
A. Procesamiento del lenguaje natural (NLP):
Las redes neuronales se utilizan en tareas como la traducción automática, el análisis de
sentimientos y la generación de texto, permitiendo a las máquinas comprender y generar
texto de manera similar a los humanos.
B. Visión por computadora:
En visión por computadora, las CNN han llevado a avances significativos en el
reconocimiento de objetos, la segmentación semántica y el seguimiento de objetos en
tiempo real.
C. Medicina y ciencias biológicas:
Las redes neuronales se utilizan en el diagnóstico médico, el descubrimiento de
fármacos y la predicción de enfermedades, aprovechando su capacidad para analizar
grandes volúmenes de datos complejos.
D. Juegos y juegos de estrategia:
Las redes neuronales se utilizan en juegos para aprender estrategias complejas y
competir contra humanos, como en el caso de AlphaGo desarrollado por DeepMind.
Conclusión
Las redes neuronales han demostrado ser herramientas poderosas para abordar una
variedad de problemas complejos en diferentes campos. A medida que la investigación
y la tecnología avanzan, es probable que veamos aplicaciones aún más innovadoras y
emocionantes de esta tecnología, lo que podría tener un impacto significativo en nuestra
sociedad y en la forma en que interactuamos con el mundo digital.
Referencias bibliográficas:
Izaurieta, F., & Saavedra, C. (2000). Redes neuronales artificiales. Departamento de
Física, Universidad de Concepción Chile.
López, R. F., & Fernández, J. M. F. (2008). Las redes neuronales artificiales. Netbiblo.
Rosano, F. L. (1996). Fundamentos de redes neuronales artificiales. UNAM, Facultad
de Ingeniería, UNAM.
Matich, D. J. (2001). Redes Neuronales: Conceptos básicos y aplicaciones. Universidad
Tecnológica Nacional, México, 41, 12-16.
Andrade Tepán, E. C. (2013). Estudio de los principales tipos de redes neuronales y las
herramientas para su aplicación (Bachelor's thesis).
Britos, M. I. P. (2005). Entrenamiento de redes neuronales basado en algoritmos
evolutivos. PLEASE CHECK.
Olabe, X. B. (1998). Redes neuronales artificiales y sus aplicaciones. Publicaciones de
la Escuela de Ingenieros.
