Redes de neuronas

Fundamentos de la
inteligencia artificial
CONTENIDO
1. Objetivos

2. Introducción

3. Fundamentos biológicos

4. Modelo computacional

5. Redes de neuronas supervisadas

y no supervisadas

6. Perceptrón simple

7. Perceptrón multicapa

8. Resumen

9. Bibliografía
 Redes de neuronas | 3

Objetivos Asimismo, las redes neuronales surgen de la idea

de imitar el funcionamiento de estas mismas en los
• Identificar los componentes biológicos de una organismos vivos, es decir, no son más que un conjunto
neurona. de neuronas que se interconectan y trabajan juntas, sin
funciones específicas para cada tipo. Al tomar la práctica,
• Comprender la clasificación y características de las
las neuronas hacen y fortalecen ciertas conexiones para
redes neuronales.
aprender algo que permanecerá fijo en los tejidos.
• Conocer las redes neuronales tanto supervisadas y
no supervisadas.
• Diferenciar las estructuras perceptrón simple y Fundamentos biológicos
perceptrón multicapas.
“La teoría y modelado de las redes neuronales
artificiales se inspira en la estructura y funcionamiento
Introducción de los sistemas nerviosos, de los cuales las neuronas
son fundamentales” [1].
Las redes neuronales son un área muy importante de la
inteligencia artificial, ya que están inspiradas en el conocido Un sistema de procesamiento de información a gran
comportamiento del cerebro humano que incluye, escala que consta de unidades de procesamiento simples
principalmente, las neuronas, sus vínculos y conexiones, llamadas neuronas. Asimismo, en cierto modo, una
tomando en cuenta que estas se esfuerzan por crear neurona es un procesador de información muy simple,
modelos sintéticos que resuelvan problemas difíciles el cual se puede decir que está formada por un canal de
utilizando técnicas de ingeniería y algoritmos populares. entrada llamada dendritas, un procesador llamado soma
que es donde se aloja el núcleo de la célula y finalmente
por un canal de salida llamado axón.

Figura 1. Estructura general de una neurona [2]

Asimismo, una sola neurona del cerebro puede recibir Las sinapsis entre las neuronas es clave para el
unas 10 000 entradas y enviar su salida a cientos de procesamiento de la información. La mayoría de las
otras neuronas a través de sus ramificaciones, ya que las neuronas tienen una estructura en forma de árbol
conexiones entre las neuronas se llaman sinapsis. No es llamada dendritas, que reciben información de otras
una conexión física, pero tiene un espacio de unos 2 mm. neuronas a través de sinapsis. Tomando en cuenta que
Tomando en cuenta que son conexiones unidireccionales las neuronas se componen de tres partes.
en las que la transmisión de información se produce
eléctricamente dentro de las neuronas y químicamente
entre neuronas. Gracias por una sustancia específica
llamada neurotransmisor.
 Redes de neuronas | 4

Neurona Dendritas Axón Modelo computacional

• Es el • Reciben las • Es el encargado Las redes neuronales artificiales son unidades
cuerpo de entradas. de llevar la salida informáticas interconectadas a gran escala y adaptables
la misma. de la neurona neuronas o modelos informáticos paralelos que
a las otras consisten en procesadores distribuidos a gran escala,
dendritas. que guarda el conocimiento experimental en paralelo
el cual siempre está disponible para su uso. Tomando
Figura 2. Parte de las neuronas en cuenta que el primer modelo de red neuronal fue
propuesto por McCulloch y Pitts en el año 1943. Desde
Sin embargo, hay que acotar que no todas las neuronas la perspectiva de un modelo informático de actividad
son iguales. Existen diferentes tipos, según el número de neuronal, este modelo era un modelo binario, donde
ramas dendríticas, la longitud del axón y otros detalles cada neurona tiene una etapa o umbral dado y se utilizó
estructurales. Pero todas funcionan con los mismos como base para modelo posterior [3].
principios básicos.
Las redes neuronales aplicadas generalmente se inspiran
La forma perfecta de conectar dos neuronas no se conoce en las redes neuronales biológicas. Aunque tienen
por completo. También depende del tipo particular de funciones y conexiones diferentes a las consideradas
cada neurona. En general, las neuronas envían su axón a desde un punto de vista biológico.
su salida hacia otros y este lleva información a través de
las diferencias potencial. Indicado lo anterior, se llegó a la primera clasificación de
redes neuronales:

Figura 3. Clasificación de redes neuronales [5]

Anteriormente, se indicó que se estima que el cerebro Sin embargo, en [5] se indica que las características
humano contiene más de 100 mil millones de neuronas principales de las redes neuronales juegan un papel
y 10000,000000 sinapsis del sistema nervioso. Los importante durante el procesamiento de señales e
estudios realizados en el campo de la anatomía del imágenes. Tomando en cuenta que estas utilizan una
cerebro humano concluyen que el número promedio de arquitectura que incluye elementos de procesamiento,
sinapsis dentro y fuera de cada neurona es superior a interconexión adaptativa paralela combinada con una
1000. Tomando en cuenta que las neuronas biológicas estructura jerárquica. Estas son las siguientes:
tienen tiempos de conmutación casi un millón de
veces más largos (milisegundos) que los componentes • Autoorganización y adaptabilidad: cuenta
informáticos modernos. Sin embrago, las neuronas con algoritmos de aprendizaje adaptativo y
naturales tienen miles de veces más conectividad que autoorganización. De esta manera, permite brindar
las neuronas artificiales. Por tal motivo, el objetivo la mejor oportunidad para un tratamiento confiable.
principal de las redes neuronales de tipo biológico es el • Procesamiento no lineal: desarrollar la capacidad
desarrollo de operaciones, síntesis y procesamiento de de la red y aproxima las funciones, clasificando los
información relacionada con los sistemas biológicos. modelos y mejorando la inmunidad para el ruido.
• Procesamiento paralelo: generalmente,
esta característica utiliza muchos nodos de
procesamiento, altamente interconectados.
 Redes de neuronas | 5

El principal elemento computacional, es decir, modelo El modelado con una red neuronal consta de dos pasos:
neuronal, suele ser conocido como un nodo o unidad.
Este recibe información de otros dispositivos o fuentes
de datos externas. Tomando en cuenta que cada entrada
tiene asociado un peso w, que se cambia en el llamado
proceso siguiente de aprendizaje o aprender. Así, cada
unidad aplica una función específica f a la suma de las
entradas ponderadas al peso, es decir:
yi= ∑ wi yi
j

Los resultados se pueden utilizar como salida para otras

unidades.
Figura 5. Pasos de redes neuronales

Se recomienda utilizar el segundo grupo para evitar

problemas de sobreajuste de datos que no son de
entrenamiento, grupos de validación que permiten esto
controlan el proceso de aprendizaje.

Asimismo, en [1] se indica que hay tres funciones de

transferencia típicas que determinan diferentes tipos de
neuronas y son las siguientes:

Figura 4. Resultado de salida [5]

Funciones de
transferencias típicas

tipos de neuronas

Función de paso Función lineal Función sigmoidal

Es definida como el límite

Esta es utilizada inferior -t y limite superior Esta función tiene
cuando la salida de t de la expresión f(x)=x. una gran importancia
la red es binaria. Tomando en cuenta que, si porque la derivada
Tomando en cuenta la suma de entrada es menor es siempre positiva
que la salida de la que el límite inferior -t, la y próxima a cero
neurona se activa activación es definida como para los valores
solo si el estado de 0 o -1 y, si la suma es mayor grandes positivos o
activación es mayor o que el límite superior t, la negativos; además,
igual a un determinado activación es 1. Sin embargo, toma su valor máximo
umbral. De esta para los valores de entrada cuando x es igual a
manera, representa empleados entre ambos 0. Asimismo, esta
la entrada ponderada límites tanto superior como función es adecuada
total mínima necesaria inferior, la activación es para utilizarla como
para activar una definida como una función salida de información
neurona. lineal de la suma de las analógica.
señales de entrada.

Figura 6. Tipos de neuronas [1]

 Redes de neuronas | 6

Asimismo, la función sigmoidal es adecuada para

utilizarla como salida de información analógica, ya que
Redes de neuronas
esta función, para los valores del estímulo de entrada supervisadas
(variable independiente), el valor dado es cercano a uno
de los valores asintóticos. Esto hace que se puedan
y no supervisadas
utilizar las reglas de aprendizaje en las cuales se usan No existe un algoritmo único para diseñar y entrenar
derivadas. La expresión de esta función responde a la modelos de redes neuronales porque los algoritmos de
siguiente forma (figura 7): aprendizaje difieren en la capacidad de aprendizaje y el
grado de razonamiento. Por tanto, las redes neuronales,
generalmente, se clasifican de acuerdo con sus
respectivos algoritmos o métodos de aprendizaje.
Redes de peso
fijo

Clasificación
Figura 7. Estructura general del perceptrón [3]
Redes no
Solamente se perfecciona el peso y los limites no se supervisadas
ajustarán. De esta manera, se facilita el aprendizaje, ya
que es necesario tener en cuenta la presencia de una Redes
pseudoneurona conectada a la entrada de cada neurona, supervisadas
cuyo valor es el valor unitario en la salida yo=-1, y peso de Figura 8. Clasificación de las redes neuronales.
la conexión woj=t. Asimismo, la actualización de estado
modular, es decir, evolución de la red neuronal, puede ser Se debe tener en cuenta que las redes de pesos fijos no
de dos tipos: tienen algún tipo de aprendizaje. A continuación, se dará
una breve explicación de las redes tanto supervisadas y
• Modo asíncrono, las neuronas están
no supervisadas.
constantemente evaluando su estado, a medida
que llega la información y de manera independiente. • Redes de neuronas supervisadas
• Modo síncrono, las modificaciones se realizan de “Las redes supervisado son el modelo de red
forma síncrona, aunque también se accede a la más desarrollado desde el inicio de este tipo de
información de forma continua. diseño. Los datos de entrenamiento consisten en
múltiples pares de modelos de entrenamiento de
Lo importante de todo esto es que en cada unidad se
entrada y salida” [4].
realiza un cómputo local a partir de los insumos que
brindan los vecinos, pero no se requiere un control Tomando en cuenta que el que se conozcan los
global de todas las unidades. En la práctica, la mayoría resultados significa que el aprendizaje se realiza
de las implementaciones de la red neuronal artificial bajo la supervisión de un experto. Considerando el
en el software se implementan mediante el control nuevo patrón de entrenamiento (m+1), los pesos se
síncrono para actualizar los módulos. Otro elemento ajustan de la siguiente manera:
muy importante de ANN son las reglas de aprendizaje.
Biológicamente, generalmente, se acepta que la wij(m+1)=wij(m)+∆wij(m)
información almacenada en el cerebro está relacionada
con el significado sináptico de las conexiones entre Posteriormente, se puede ver el diagrama de
las neuronas. En otras palabras, el conocimiento está bloques del sistema de aprendizaje supervisado en
en las sinapsis. En el caso de ANN, se puede suponer la siguiente figura:
que el conocimiento se expresa en forma de pesos de
conexiones entre neuronas. Cada proceso de aprendizaje
implica algunos cambios en estas conexiones. De hecho,
se puede decir que se aprendió cambiando el valor del
peso de la red.

El mundo de las redes neuronales es cada vez más

complejo y vasto, pero la inspiración directa para
estos algoritmos proviene de los modelos neuronales
biológicos. Hoy en día, existe un intercambio interesante
entre el interaprendizaje de la neurociencia y la
informática, lo que ha dado lugar a una nueva era muy Figura 9. Diagrama esquemático de sistema de entrenamiento [4.
interesante en términos de algoritmos de aprendizaje
automático que permiten a las máquinas imitar y
aprender de los cerebros. Sin embargo, no se conoce
acera de la biología todavía.
 Redes de neuronas | 7

Por lo tanto, es necesario conocer tres características de • Toman menos tiempo para aprender que los
los modelos supervisado: generalmente supervisados.
• Arquitectura simple, generalmente:
• Una o más capas de neuronas ocultas que no
forman parte de la capa de entrada o salida de - Una sola capa
la red. Esto permite que las redes aprendan y - Freed-Forward
resuelvan problemas complejos.
• Tipos principales:
• Las no linealidades reflejadas en la actividad
- Kohonen
neuronal son distinguibles.
- Grossberg
• El modelo de interacción de red representa un alto
grado de conectividad. • Solucionar los siguientes tipos de problemas:
- Conocimiento
El algoritmo de aprendizaje de corrección de errores
entrena la red basándose en muestras de entrada y - Análisis de componentes principales
salida para encontrar señales de error. Asimismo, el - Agrupación
paradigma del aprendizaje supervisado es eficiente y - Creación de prototipos, extracción de
encuentra soluciones a diversos problemas lineales y no características, mapeo
lineales, como la clasificación, la gestión empresarial, la
predicción, la predicción y la robótica. Las neuronas tienen ese valor en la salida que se propaga
por la red con conexiones unidireccionales a otras celdas
• Redes de neuronas no supervisadas de la red. Asociado a cada conexión, tomando en cuenta
“La red no supervisada utiliza datos de que es un peso sináptico, wij define los efectos de las
entrenamiento que consisten solo en modelos neuronas j-ésima de la i-ésima neurona. La entrada de
de entrada. Por lo tanto, esta red se forma sin la la i-ésima neurona de otras neuronas se acumula en el
participación del maestro o experto” [4]. umbral externo para obtener el valor de la red. La mejor
forma de determinarlo es continuar el conjunto de bases
Asimismo, esta red aprende a adaptarse en función matemáticas f especificando el valor de activación.
de la experiencia obtenida de patrones de aprendizaje En este sentido, el resultado final puede expresarse en
anteriores. función de entradas y pesos.

Se presenta un diagrama típico de un sistema de La red conectada se representa matemáticamente

aprendizaje no supervisado: mediante las funciones básicas u (w,x), donde w es la
matriz de pesos mientras que x es el vector de entrada.
Sin embargo, en [4] se indica que las funciones base
tienen dos formas típicas y son las siguientes:

Figura 10. Diagrama esquemático de sistema de entrenamiento [4]

A continuación, se presentan las características de la red

de neuronas no supervisadas

• Sin necesidad de maestros, profesores o

especialistas, la topología, generalmente, se basa
en un modelo de conectividad. Muestra cierto Figura 11. Formas típicas de las redes neuronales [4].
grado de autoorganización
• Las redes detectan de forma autónoma los datos
de entrada:
- Características
- Patrones
- Correlaciones
- Categorías
 Redes de neuronas | 8

Perceptrón simple Según [3], este modelo creado está constituido por los
siguientes elementos:
A partir de la idea del mecanismo biológico, y
• Conjunto de vectores de entrada x de n componentes
como anteriormente se comentó, McCulloch & Pitts
establecieron un modelo artificial de neuronas en 1943. • Conjunto de pesos sinápticos wij. Esto simboliza
Esta idea fue adoptada por Rosenblatt quien, más tarde, la interacción entre la neurona presináptica j y la
creó una estructura llamada Perceptron. Un perceptrón neurona postsináptica i.
es una estructura con una o más entradas y utiliza • Regla de transferencia d(wij,xj,(t)): para potencial
señales binarias de las neuronas de entrada y salida. Su postsináptico hi (t)
función de activación es de tipo signo. Consta de una • Función de activación ai (t)=f(ai (t-1),hi (t)):
red con una capa de salida de n neuronas y otra capa proporciona el estado de activación de la neurona
de salida de m neuronas. Utiliza señales binarias de las según el valor pre y postsináptico.
neuronas de entrada y salida, y su función de activación
• Función de salida fi (t): proporciona la salida yi (t),
es de tipo firmado [2].
dependiendo del estado activo.
Se utilizan varios tipos de técnicas de aprendizaje
Tomando en cuenta que las señales de entrada y salida
automático para que las redes neuronales aprendan. Sin
pueden ser las siguientes:
embargo, el más común es el aprendizaje supervisado.
En este caso, el algoritmo toma como entrada los • Señales binarias, es decir, 0,1 (neuronas de
datos previamente etiquetados. Es decir, se observa el McCulloch y Pitts)
aprendizaje y se dice al algoritmo cómo interpretar la • Señales Bipolares, es decir, -1,1
información.
• Números enteros o continuos
• Variables borrosas

Sin embargo, un perceptrón es un discriminador cúbico

que utiliza la siguiente matriz

f(x)= { 1,si w*x-u>0

0,en otro caso

Para representar una red neuronal y, de esta manera,

asignar una entrada x a un vector binario y un valor
de salida f(x), o valor binario, a través de una matriz
específica.

Donde w es el vector de peso real y x es el producto

Figura 12. Estructura general del perceptrón [2] escalar que calcula la suma ponderada. u es el umbral
que representa el grado de supresión de neuronas y es un
La entrada al perceptrón actúa como una entrada a las término constante que no depende del valor de entrada.
dendritas o neuronas. La función de activación actúa
como una célula somática que determina cuándo se • El valor f(x) con valores (0,1) se utiliza para clasificar
activa una señal eléctrica y la salida modela un axón x como un caso positivo o negativo en el caso de
que, cuando se activa, envía información a las neuronas problemas de clasificación binaria.
conectadas. Las redes neuronales se construyen • Los umbrales pueden entenderse como un medio
agregando diferentes tipos de perceptrones en para compensar la función de activación o como un
estructuras complejas. medio para establecer el nivel mínimo de actividad
en el que una neurona se considera activa.
Se debe tomar en cuenta que hay dos tipos de aprendizaje
en el perceptrón: Tomando en cuenta que la suma ponderada de las
entradas debe dar un valor mayor que u para que
• Uno usa la tasa de aprendizaje la neurona pase del estado 0 (negativo) al estado 1
• No usa la tasa de aprendizaje (positivo).

Asimismo, el algoritmo de aprendizaje es el mismo para En [6] se facilita un ejemplo de un perceptrón:

todas las neuronas. Sin embargo, la tasa de aprendizaje
Considérese las funciones AND y OR, donde estas
amortigua los cambios en los valores de peso.
funciones son linealmente separables y pueden ser
aprendidas por el perceptrón. Mientras que la función
XOR no se puede entrenar con un solo perceptrón porque
se necesitan al menos dos líneas para separar las clases
(0,1), tomando en cuenta que se debe usar al menos una
capa adicional de perceptrón para formarlos.
 Redes de neuronas | 9

• Umbral (t): 0.5

• Bias (b): 0
• Tasa de aprendizaje (r): 0.1
Conjunto de entrenamiento que consta de las siguientes
cuatro muestras:

Figura 13. Funciones AND, OR, XOR [6]

{((1,0,0),1),((1,0,1),1),((1,1,0),1),((1,1,1),0)}

De ahora en adelante, el peso final de una iteración será

Perceptrón aprende a realizar funciones NAND binarias el peso inicial de la próxima iteración. Cada ciclo de cada
utilizando las entradas x1,x2. muestra de entrenamiento está marcado con una línea
gruesa, tal como se presenta en la siguiente tabla:
• Entrada: x0 , x1 , x2 , donde x0 permanece constante
en el nivel 1.

Tabla 1. Muestra de entrenamiento del perceptrón. [5]

 Redes de neuronas |10

Perceptrón multicapa Las conexiones entre las neuronas son siempre directas:
las conexiones son de las neuronas de esta capa a las
Ahora que se tiene información sobre las redes neuronas de la capa siguiente. Sin embargo, no hay
neuronales, se estudiarán los modelos de redes conexión lateral o trasera. Por lo tanto, la información
neuronales más importantes (antiguos y útiles). Este siempre se transfiere de la capa de entrada a la capa
modelo es un perceptrón multicapa basado en un de salida. Al considerar wji, se usa como el peso de
perceptrón simple que resuelve, de manera efectiva, la conexión entre la neurona de entrada i y la neurona
problemas de clasificación y reconocimiento de patrones. intermedia j y vkj como el peso de la conexión entre la j
intermedia y la neurona de salida k.
“Es una red de retropropagación que contiene al
menos una capa oculta con suficientes unidades En [7] se indica que los perceptrones multicapa se
no lineales para aproximar una función o relación utilizan para resolver problemas como la asociación de
continua entre un conjunto de variables de entrada imágenes, la segmentación de imágenes y la compresión
y salida. Esta propiedad hace que la red Perceptron de datos. Adicionalmente, se encuentran los siguientes:
Multicapa sea una herramienta no lineal universal y
• Aprendizaje a través de la retropropagación
flexible” [5].
El aprendizaje se realiza en el perceptrón, cambiando
La estructura consta de tres capas, como se muestra los pesos de conexión después de procesar cada
en la (figura 14), el cual tiene una capa de entrada (L1), elemento, según la cantidad de errores de salida en
que consta de neuronas que introducen patrones de comparación con el resultado esperado. Tomando
entrada en la red. Tomando en cuenta que no se realiza en cuenta que este es un ejemplo de aprendizaje
ningún procesamiento en estas neuronas, seguidamente supervisado realizado por retro-propagación, que
conta de una capa intermedia u oculta (L2), que está es una generalización del algoritmo LMS (raíz
desarrollada por neuronas donde las entradas provienen cuadrática media) en un perceptrón lineal.
de la capa anterior y las salidas se envían a las neuronas
de las capas posteriores. Finalmente, de una capa Representa el error en el nodo j en el punto de datos
de salida (L3), que son neuronas cuyo valor de salida n como el siguiente:
corresponde a la salida de toda la red.
ej (n)=dj (n)-yj (n)
Aunque la mayoría de los problemas han demostrado
Este es el valor objetivo y, el valor generado por el
que las capas ocultas son suficientes, aquí se observar
perceptrón. Al ajustar los pesos de los nodos en
un perceptrón típico que consta de una capa de entrada,
función de los ajustes que minimizan los errores en
una capa oculta y una capa de salida.
el resultado general dado por la expresión:
Sin embargo, esta red cuenta con la característica de
ser necesario estimar la función de transferencia del ε(n)=
1
2 ∑ ej2 (n)
elemento de procesamiento (neurona). j

Usando el método de descenso más pronunciado,

los cambios en cada peso son los siguientes:

∆wji (n)=-η ∂ε(n) yi (n)

∂vj (n)

Donde yi es la salida de la neurona anterior y η es

la tasa de aprendizaje. Ha sido cuidadosamente
seleccionado para que los pesos converjan a la
respuesta lo suficientemente rápido sin causar
vibraciones. En la programación de aplicaciones,
este parámetro suele estar entre 0,2 y 0,8.

La derivada calculada depende del campo de

inducción local vj que evoluciona por sí mismo. Para
el nodo de salida, es fácil probar que esta derivada
se puede simplificar de la siguiente manera:
∂ε(n) = e (n) ∅^' (v (n))
Figura 14. Red neuronal artificial [2] ∂vj (n) j j
 Redes de neuronas |11

Donde x es la derivada de la función de activación

anterior y no cambia. El análisis para cambiar
Bibliografía
pesos en nodos ocultos es más complicado, pero [1] “Fundamentos de las redes neuronales”, 2021. Guía
la derivada correspondiente se puede mostrar de la Digital Thales. Sociedad Andaluza de Educación
siguiente manera: Matemática. [En línea]. Disponible en: [Link]
[Link]/rd/Recursos/rd98/TecInfo/07/capitulo2.
∂ε(n) =∅' (v (n))
∂vj (n) j ∑ - ∂ε(n) wji (n)
∂vk (n)
html
k
[2] M. C. Soberanis, “Inspiración biológica de las redes
Esto depende de cambiar el peso del nodo k que neuronales artificiales”, 2018. [En línea]. Disponible
representa la capa de salida. Por lo tanto, para en: [Link]
cambiar el peso de la capa oculta, primero, se biol%C3%B3gica-de-las-redes-neuronales-
debe cambiar el peso de la capa de salida según artificiales-9af7d7b906a
la derivada de la función de activación. En segundo [3] L. Alonso, “Redes Neuronales”. [En línea]. Disponible
lugar, este algoritmo es la retro-propagación de la en: [Link]
función de activación. htm
• Reconocimiento de numérico [4] Monografía, enciclopedia libre, “Redes Neuronales”.
[En línea]. Disponible en: [Link]
La biblioteca sklearn de Python se puede usar para com/trabajos38/redes-neuronales/redes-
entrenar un perceptrón multicapa con el fin de que neuronales
reconozca los números presentes en la imagen
de entrada. Puede usar la clase MLPClassifier y el [5] J. M. Marín, “Introducción a las redes neuronales
conjunto de datos MNIST.3. aplicadas”, 2009. [En línea]. Disponible en: http://
[Link]/esp/Personal/personas/jmmarin/
esp/DM/[Link]
Resumen [6] Wikipedia, enciclopedia libre, “Perceptrón”, 2021. [En
línea]. Disponible en: [Link]
Las redes neuronales son un área muy importante de la Perceptr%C3%B3n
inteligencia artificial. Tomando en cuenta que la teoría y
[7] Wikipedia, enciclopedia libre, “Perceptrón Multicapa”,
modelado de las redes neuronales artificiales se inspiran
2022. [En línea]. Disponible en: [Link]
en la estructura y funcionamiento de los sistemas
org/wiki/Perceptr%C3%B3n_multicapa
nervioso. Sin embargo, hay que acotar que no todas las
neuronas son iguales. Existen diferentes tipos, según
el número de ramas dendríticas, la longitud del axón y
otros detalles estructurales, pero todas funcionan con
los mismos principios básicos.

Las redes neuronales artificiales son unidades

informáticas interconectadas a gran escala y adaptables
neuronas o modelos informáticos paralelos que
consisten en procesadores distribuidos a gran escala,
que guarda el conocimiento experimental en paralelo el
cual siempre está disponible para su uso.

Asimismo, no existe un algoritmo único para diseñar

y entrenar modelos de redes neuronales porque los
algoritmos de aprendizaje difieren en la capacidad
de aprendizaje y el grado de razonamiento. Por tanto,
las redes neuronales, generalmente, se clasifican de
acuerdo con sus respectivos algoritmos o métodos de
aprendizaje.

A partir de la idea del mecanismo biológico, establecieron

un modelo artificial de neuronas en 1943. Esta idea fue
adoptada por Rosenblatt quien, más tarde, creó una
estructura llamada Perceptron.