Breve historia sobre las redes

neuronales

Minji 10/03/2022
LECCIÓN PROGRESS

0% Complete

Las redes neuronales no son una idea nueva, datan de los años 40 y 50, cuando se
empezaron a publicar los primeros conceptos. Sin embargo, nunca tuvieron un gran
éxito, más que nada porque se necesita una cantidad importante de recursos de un
ordenador para entrenar y ejecutar una red neuronal con buenos resultados. La
historia de las redes neuronales es más larga de lo que la mayoría piensa, mientras
que la idea de una máquina que piensa se puede remontar a los antiguos griegos,
nos centraremos en los acontecimientos clave que llevaron a la evolución de pensar
en torno a las redes neuronales, que se ha bajado y fluido en popularidad a lo largo
de los años.

Objetivo de las redes neuronales

Minji 10/03/2022
LECCIÓN PROGRESS

0% Complete

El objetivo principal de estas redes es aprender a modificarse automáticamente a sí

mismas de forma que puedan llegar a realizar tareas complejas que no podrían ser
realizadas mediante la clásica programación basada en reglas. De esta forma se
pueden automatizar funciones que en un principio sólo podrían ser realizadas por
personas.

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 pero
son complejos. Por ejemplo, pueden realizar tareas como hacer generalizaciones y
sacar conclusiones debido a que pueden comprender datos no estructurados y
hacer observaciones generales sin un entrenamiento explícito, pueden reconocer
que dos oraciones de entrada diferentes tienen un significado similar, como ¿Puede
explicarme cómo hacer el pago? O ¿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.
También puede revelar relaciones y patrones ocultos analizando con mayor
profundidad los datos sin procesar y revelando 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.

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.
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.

Las redes neuronales se han convertido en una pieza clave para el desarrollo de la
Inteligencia Artificial, es uno de los principales campos de investigación y el que más
está evolucionando con el tiempo, ofreciendo cada vez soluciones más complejas y
eficientes.
Iniciemos con el año 1943, Warren S. McCulloch y Walter Pitts publicaron “Un
cálculo lógico de las ideas inmanentes en la actividad nerviosa”. El objetivo de este
estudio era entender cómo el cerebro humano podía producir patrones complejos a
través de células cerebrales conectadas o neuronas. Una de las principales ideas
que salieron de este trabajo fue la comparación de las neuronas con un umbral
binario a la lógica booleana (es decir, 0/1 o declaraciones verdaderas/falsas).

En 1958, a Frank Rosenblatt se le atribuye el desarrollo del perceptrón,

documentado en su investigación, “El perceptrón: Un modelo probabilístico para
almacenamiento de información y organización en el cerebro” . Llevó el trabajo de
McCulloch y Pitt un paso más allá al introducir las ponderaciones en la ecuación,
utilizando un sistema IBM 704, Rosenblatt consiguió que una computadora
aprendiera a distinguir cartas marcadas en la izquierda frente a las tarjetas
marcadas en la derecha.
Mientras que numerosos investigadores en el año 1974 contribuyeron a la idea de la
retropropagación, Paul Werbos fue la primera persona en Estados Unidos en
observar su aplicación dentro de redes neuronales dentro de su tesis doctoral.

En 1989 Yann LeCun publicó un documento que ilustra cómo el uso de restricciones
en la retropropagación y su integración en la arquitectura de red neuronal se puede
utilizar para entrenar algoritmos. Esta investigación aprovechó con éxito una red
neuronal para reconocer los dígitos de código postal escritos a mano
proporcionados por el Servicio Postal de los EE. UU.

¿Qué son las redes neuronales?

Minji 10/03/2022
LECCIÓN PROGRESS

33% Complete

La fantasía de crear una inteligencia similar a la del ser humano se está convirtiendo
en una realidad, en los últimos tiempos ya se está consiguiendo que las máquinas
respondan de la misma forma que lo haría un ser humano. Ya sea para dar
respuesta a un cliente o para anticiparse a un problema, hoy en día, es posible
conseguir el sueño de muchos científicos, parte de este desarrollo reside en la
creación de redes neuronales, un modelo que se inspira en las neuronas humanas
para aprender y modificar automáticamente su comportamiento.

Se puede decir que las redes neuronales son un pilar de la inteligencia artificial, un
modelo que se basa en el funcionamiento del cerebro humano y que intenta
replicarlo, está formado a partir de un conjunto de nodos que simulan a las neuronas
de forma artificial y que están conectadas entre sí para poder transmitir las señales
entre ellas.
Las redes neuronales son uno de los conceptos más importantes e interesantes del
machine learning, son un elemento complejo que permite la generación de
conocimiento automático por parte de máquinas que funcionan bajo parámetros
establecidos en algoritmos. Suelen ser confundidas con el Deep Learning, debido a
que estos dos elementos tienen una relación muy cercana.

En los últimos años se han conseguido grandes avances gracias a la mejora de los
ordenadores y al uso de GPUs para este tipo de computación. Podemos ver el
ejemplo de los pies de foto generados por ordenador gracias a una red neuronal de
convolución (para el reconocimiento de imagen) junto con una red neuronal
recurrente para formar las frases. Los investigadores de Stanford usaron tarjetas
GPU para poder entrenar y ejecutar este tipo de redes neuronales en un tiempo
razonable.
¿Qué es una Red Neuronal? ¿Cómo
funcionan?
Avances en la Inteligencia Artificial
● Las computadoras han superado a los mejores jugadores en diversos
campos, desde el fútbol hasta videojuegos complejos como Starcraft. Esto
demuestra el avance abrumador de las tecnologías de inteligencia artificial.
● Un ejemplo destacado son los vehículos de Tesla, que están mejorando
continuamente en su capacidad de conducción autónoma, lo que resalta el
progreso en la automatización y el uso de IA.
● La técnica del "deep learning" ha revolucionado el uso de redes neuronales,
una tecnología con raíces que se remontan a 1944, aunque su
implementación efectiva no fue posible hasta que se dispunieron de grandes
cantidades de datos y poder computacional, lo cual comenzó a cambiar en
2007 con el lanzamiento de smartphones, que generaron un caudal inmenso
de información.
"Las redes neuronales han estado en los encabezados de las noticias gracias a la técnica
llamada deep learning."

Estructura de una Red Neuronal

● Una red neuronal consiste principalmente de dos partes: las neuronas y las
conexiones entre ellas. Cada neurona puede ser visualizada como un
pequeño contenedor que gestiona un número entre 0 y 1.
● Para procesar una imagen, por ejemplo, se necesita convertirla en un
formato numérico. En el caso de una imagen de 28x28 píxeles, cada pixel se
traduce a un valor en una escala de grises, resultando en 784 entradas
numéricas que alimentan la primera capa de la red neuronal.
● El procesamiento de estas entradas ocurre a través de capas intermedias
que extraen características relevantes, haciendo que el valor final de salida
refleje si la imagen representa un pantalón o no.
"Una red neuronal es una pobre imitación de las neuronas verdaderas en tu cerebro."

Proceso de Activación y Aprendizaje

● Cada neurona en las capas intermedias realiza cálculos basados en los
valores de los píxeles que recibe, ponderados por conexiones que tienen
diferentes pesos (w), lo que determina su utilidad para la tarea.
 ● Para decidir si una neurona se activa, se utiliza una función que suma los
productos de los pesos y las entradas, a lo que se le añade un parámetro
llamado sesgo (b).
● La activación de la neurona se determina mediante una función logística
como la "sigmoide", que transforma el resultado de la suma en un valor entre
0 y 1, indicando con ello si la neurona debe activarse.
"Al final, una neurona en realidad es una función que nos saca un valor entre 0 y 1."

Función y estructura de las redes neuronales

● Las redes neuronales pueden ser entendidas como un sistema extenso de
ecuaciones matemáticas, que involucran miles de elementos a considerar.
En este complejo proceso, el objetivo es organizar y definir las conexiones y
sesgos necesarios para optimizar el rendimiento del modelo.
● No es necesario que el programador defina todos los valores; su
responsabilidad es diseñar la red neuronal, especificando el número de
capas, neuronas y la función de activación que se va a emplear. Todo el
cálculo intensivo para definir los pesos es ejecutado por la máquina.
● La red neuronal comienza con la inicialización aleatoria de los pesos, y la
computadora se encarga de optimizarlos basándose en los errores que
comete a lo largo del aprendizaje. Todo esto se fundamenta en álgebra
lineal, donde cada capa se puede entender como una operación sobre
vectores y matrices.
"Todo esto es álgebra lineal aplicada a una inteligencia detrás de una ecuación muy
compleja y optimizada."
Reconocimiento de números, de voz, de objetos en imágenes, las redes neuronales
están empezando a resolver problemas que se le escapaban a los ordenadores.
Algo parecido montó Google con Street View; una red neuronal convolucional que
lograba una precisión del 96% a la hora de reconocer números de calle en las
imágenes que toman sus vehículos. Los de Mountain View están bastante
enamorados de las redes neuronales, de hecho, también las usaron para mejorar el
reconocimiento de voz de Android o para ahorrar electricidad en sus centros de
datos.

Las redes neuronales parece que incluso podrían acabar dominando uno de los
juegos que se les resiste a los ordenadores, el juego de Go. En la Universidad de
Edimburgo, unos investigadores han logrado usar redes convolucionales para
detectar patrones en los tableros y tratar de sacar el mejor movimiento con una
efectividad considerable. 90% de juegos ganados contra GNU Go y 10% contra
Fuego, dos de los programas que mejor juegan a Go, aunque pueda parecer poco,
hay que tener en cuenta que ambos exploran un buen número de movimientos
posibles para ver cuál da más ventaja. La red neuronal sólo mira al estado actual del
tablero y emite un veredicto en muchísimo menos tiempo.

Sea como sea, es un campo muy interesante y que promete bastantes avances a
corto plazo sobre todo en reconocimiento de imagen y de sonido.

Objetivo de las redes neuronales

Minji 10/03/2022
LECCIÓN PROGRESS

0% Complete

El objetivo principal de estas redes es aprender a modificarse automáticamente a sí

mismas de forma que puedan llegar a realizar tareas complejas que no podrían ser
realizadas mediante la clásica programación basada en reglas. De esta forma se
pueden automatizar funciones que en un principio sólo podrían ser realizadas por
personas.

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 pero
son complejos. Por ejemplo, pueden realizar tareas como hacer generalizaciones y
sacar conclusiones debido a que pueden comprender datos no estructurados y
hacer observaciones generales sin un entrenamiento explícito, pueden reconocer
que dos oraciones de entrada diferentes tienen un significado similar, como ¿Puede
explicarme cómo hacer el pago? O ¿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.

También puede revelar relaciones y patrones ocultos analizando con mayor

profundidad los datos sin procesar y revelando 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.
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.

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.

Las redes neuronales se han convertido en una pieza clave para el desarrollo de la
Inteligencia Artificial, es uno de los principales campos de investigación y el que más
está evolucionando con el tiempo, ofreciendo cada vez soluciones más complejas y
eficientes.

Funcionamiento de las redes

neuronales

Minji 10/03/2022
LECCIÓN PROGRESS

25% Complete

Como ya hemos mencionado, su estructura intenta emular las redes neuronales que
componen nuestro propio cerebro. La red neuronal está compuesta de neuronas o
perceptrones, cada uno de las cuales se encarga de recibir unos valores o datos de
entrada específicos; al recibir estos valores de entrada, los perceptrones los
modifican en función de su propio peso, es decir, la influencia que tendrán a la hora
de determinar la conclusión que queremos extraer. A continuación, estos valores
modificados se mueven a las siguientes neuronas que configuran la red, de esa
manera, los valores se van modificando hasta que se alcanza una conclusión
concreta.

Las redes neuronales permiten buscar la combinación de parámetros que mejor se

ajusta a un determinado problema, son un modelo para encontrar esa combinación
de parámetros y aplicarla al mismo tiempo. Para conseguir que una red neuronal
realice las funciones deseadas, es necesario entrenarla y se realiza modificando los
pesos de sus neuronas para que consiga extraer los resultados deseados. Para ello
lo que se hace es introducir datos de entrenamiento en la red, en función del
resultado que se obtenga, se modifican los pesos de las neuronas según el error
obtenido y en función de cuánto haya contribuido cada neurona a dicho resultado.
Este método es conocido como Backpropagation o propagación hacia atrás, con
este método se consigue que la red aprenda, consiguiendo un modelo capaz de
obtener resultados muy acertados incluso con datos muy diferentes a los que han
sido utilizados durante su entrenamiento.

Gracias a la creación del algoritmo de Backpropagation, al uso de GPUs que

permiten realizar grandes optimizaciones para este tipo de cálculos y al mayor
número de datos disponibles para entrenamiento, cuando las redes neuronales han
vuelto a resurgir y a ganar protagonismo en diversos campos. Gracias a estas
mejoras ha sido posible la aparición del Deep Learning, el cual se basa en el uso de
redes neuronales profundas, es decir, redes formadas por un gran número de capas
para tareas complejas.
¿Qué es una Red Neuronal? Parte 1 : La
Neurona | DotCSV
La Neurona: Unidad Básica de Procesamiento
● Las redes neuronales están formadas por neuronas, que son la unidad básica de
procesamiento en estos sistemas.
● Cada neurona recibe estímulos a través de conexiones de entrada, realiza cálculos
internos y genera un valor de salida.
● Internamente, la neurona realiza una suma ponderada de los valores de entrada,
donde cada conexión tiene un peso asignado que determina su influencia en la
neurona.
Las redes neuronales están formadas por neuronas, que son la unidad básica de
procesamiento en estos sistemas. Cada neurona recibe estímulos a través de conexiones
de entrada, realiza cálculos internos y genera un valor de salida.

Funcionamiento Interno de una Neurona

● La neurona realiza una suma ponderada de los valores de entrada, donde la
ponderación de cada entrada es determinada por el peso asignado.
● Estos pesos son los parámetros del modelo y pueden ajustarse para que la red
neuronal aprenda.
● La neurona internamente utiliza una regresión lineal para procesar la información de
entrada y generar un valor de salida.
La neurona realiza una suma ponderada de los valores de entrada, donde la ponderación
de cada entrada es determinada por el peso asignado. Estos pesos son los parámetros
del modelo y pueden ajustarse para que la red neuronal aprenda.

Utilidad de la Neurona en la Codificación de

Información
● Las neuronas, al actuar como modelos de regresión lineal, pueden ser útiles para
codificar información, como en el ejemplo de planificar una noche perfecta utilizando
variables binarias para realidad virtual y nachos.
● La neurona puede generar una salida binaria dependiendo de si el resultado de la
regresión lineal está por encima o por debajo de cierto umbral.
Las neuronas, al actuar como modelos de regresión lineal, pueden ser útiles para codificar
información, como en el ejemplo de planificar una noche perfecta utilizando variables
binarias para realidad virtual y nachos.

Entendiendo la gráfica de una neurona

 ● Para que nuestra noche sea épica en términos informáticos, necesitamos que tanto
la variable de machos como la de realidad virtual estén activadas.
● Al visualizar la recta de regresión definida por nuestra neurona, vemos cómo separa
los puntos de la gráfica en dos grupos diferentes, lo que ayuda a entender el
problema.
● La idea es encontrar los valores que marcarían una frontera entre las dos clases que
queremos clasificar, lo cual resulta más intuitivo de visualizar.
"La combinación de parámetros traza una recta que separa nuestros puntos en dos
grupos en la gráfica."

Superando la limitación con dos neuronas

● Para resolver problemas de separación más complejos, añadir una segunda neurona
puede ser la solución.
● Con dos neuronas, se pueden utilizar dos rectas para separar los grupos, superando
así la limitación de linealidad que presentaba una sola neurona.
"Con dos neuronas, tenemos dos rectas para separar a ambos grupos, resolviendo la
limitación presentada por una sola neurona."

¿Qué es una Red Neuronal? Parte 2 : La

Red | DotCSV
La importancia de las capas en una red neuronal
● La organización de las neuronas en capas permite que la red aprenda conocimientos
jerarquizados.
● Al colocar neuronas de manera secuencial, cada una procesa la información de la
anterior, lo que facilita el aprendizaje jerárquico.
● Las capas intermedias, llamadas capas ocultas, permiten elaborar conocimientos
más complejos a partir de la información procesada en capas anteriores.
La organización en capas de las neuronas permite un aprendizaje jerárquico y la
elaboración de conocimientos complejos.

Funciones de activación en una red neuronal

● Las funciones de activación son cruciales para evitar que la red colapse al procesar
múltiples capas de neuronas.
● Estas funciones distorsionan los valores de salida de manera no lineal, permitiendo
encadenar la computación efectivamente.
● La función de activación añade deformaciones a los valores de salida para lograr que
la red genere conocimientos más complejos.
Las funciones de activación son esenciales para evitar el colapso de la red al procesar
múltiples capas, permitiendo la generación de conocimientos complejos.
Funciones de Activación en Redes Neuronales
● Valores muy grandes se saturan en uno y los valores muy pequeños se saturan en
cero al utilizar funciones como la sigmoidal.
● La función sigmoidal no solo agrega la deformación necesaria, sino que también es
útil para representar probabilidades que van de 0 a 1.
● Otra función común es la tangente hiperbólica, similar a la sigmoidal pero con un
rango de -1 a 1.
● La función de activación "unit rectified linear" (ReLU) se usa ampliamente,
comportándose como lineal para valores positivos y constante en cero para entradas
negativas.
Las funciones de activación no solo agregan la no linealidad que se busca, sino que
también ofrecen diversos beneficios.

Encadenamiento de Neuronas en Redes Neuronales

● Al introducir deformaciones no lineales, se soluciona la capacidad de encadenar
múltiples neuronas en redes neuronales.
● Este proceso resuelve la limitación de fronteras rectas en la clasificación de datos.
● Al combinar múltiples neuronas con diferentes orientaciones, se puede lograr una
solución compleja para problemas de clasificación.
Una posible solución al problema de fronteras curvas en la clasificación de datos es la
combinación de varias neuronas con orientaciones diferentes.

Desarrollo de Soluciones Complejas en Redes

Neuronales
● Las redes neuronales pueden desarrollar soluciones complejas al unir múltiples
neuronas en capas ocultas.
● La combinación de muchas neuronas puede resolver problemas de clasificación
desafiantes, como el ejemplo de separar dos nubes de puntos en un espacio
tridimensional.
● Esta capacidad permite a las redes neuronales aprender a realizar tareas complejas
por sí mismas.
Las redes neuronales son capaces de desarrollar soluciones complejas al unir muchas
neuronas en capas, lo que les permite resolver problemas desafiantes de clasificación.

Tipos de redes neuronales

Minji 10/03/2022
LECCIÓN PROGRESS

0% Complete

Una vez analizado su funcionamiento es importante destacar que existen diferentes

tipos de redes neuronales, estas basan su estructura básica en un perceptrón y en
el mecanismo denominado backpropagation que permite a la neurona aprender de
forma automática y descubrir la información que se encuentra oculta en los datos de
entrada que son utilizados para su entrenamiento.

Conozcamos un poco más sobre los tipos de redes neuronales.

Perceptrón monocapa: son redes neuronales simples que cuentan con una capa de
entrada y una de salida, este tipo de redes cuenta con un nivel bajo de capas
ocultas y son capaces de representar funciones lineales.
Perceptrón multicapa: este tipo de redes neuronales cuentan adicionalmente de
capas de entrada y salida de diversas capas ocultas, que permiten representar
funciones no lineales y a través del paso de los datos entre las capas, la red va
aprendiendo y eliminando los enlaces que sean considerados no relevantes.

Red neuronal recurrente: las redes neuronales recurrentes no tienen una estructura
de capas definidas sino que permiten el establecimiento de conexiones arbitrarias
entre diferentes neuronas donde pueden inclusive crearse ciclos. Con esto se logra
crear un espectro de temporalidad que le proporciona a la red neuronal una
memoria, este tipo de red es muy potente y es extremadamente útil en el análisis de
textos, sonido y video.

Red neuronal convolucional: en este modelo de red se cuenta con diversas capas
que están entrenadas de forma especializada para realizar una tarea. Se cuentan
con menos capas ocultas que en una red recurrente y los procesos suelen ser muy
veloces, estas se utilizan principalmente para el análisis de imágenes.
Como ves, hay varias formas de clasificar las redes neuronales, según diferentes
factores. No obstante, las redes neuronales no dejan de ser un tipo de inteligencia
artificial, dentro de la cual también encontramos otras variantes, y es fundamental
entender cuáles son sus principales funciones.

Ventajas de las redes neuronales

Minji 10/03/2022
LECCIÓN PROGRESS

0% Complete

Las redes neuronales artificiales tienen muchas ventajas debido a que están
basadas en la estructura del sistema nervioso, principalmente el cerebro.

​ Su principal ventaja está en que son modelos de vanguardia que capturan de

una forma óptima y efectiva características complejas, obteniendo resultados
con una alta precisión.

​ Aprendizaje: tienen la habilidad de aprender mediante una etapa que se

llama etapa de aprendizaje, la cual consiste en proporcionar a la red neuronal
artificial datos como entrada a su vez que se le indica cuál es la salida
(respuesta) esperada.
​ Auto organización: crea su propia representación de la información en su
interior, descargando al usuario de esto.
​ Tolerancia a fallos: debido a que una red neuronal artificial almacena la
información de forma redundante, ésta puede seguir respondiendo de
manera aceptable aun si se daña parcialmente.
​ Flexibilidad: puede manejar cambios no importantes en la información de
entrada, como señales con ruido u otros cambios en la entrada (ej. si la
información de entrada es la imagen de un objeto, la respuesta
correspondiente no sufre cambios si la imagen cambia un poco su brillo o el
objeto cambia ligeramente)
​ Tiempo real: la estructura de una red neuronal es paralela, por lo cuál si esto
es implementado con computadoras o en dispositivos electrónicos
especiales, se pueden obtener respuestas en tiempo real.
Hay muchas buenas razones para el uso de redes neuronales y los avances en este
campo incrementarán su popularidad, son excelentes como
clasificadores/reconocedores de patrones y pueden ser usadas donde las técnicas
tradicionales no funcionan. Las redes neuronales pueden manejar excepciones y
entradas de datos anormales, muy importante para sistemas que manejan un amplio
rango de datos (sistemas de radar y sonar, por ejemplo). Muchas redes neuronales
son biológicamente plausibles, lo que significa que pueden proveer pistas de cómo
trabaja el cerebro según progresen. Avances en la neurociencia también ayudarán
al avance en las redes neuronales y hasta el punto en que sean capaces de
clasificar objetos con la precisión de un humano y la velocidad de una computadora.
¡Brillante!

Desventajas de las redes neuronales

Minji 10/03/2022
LECCIÓN PROGRESS

50% Complete

​ Complejidad de aprendizaje para grandes tareas, cuanto más cosas se

necesiten que aprenda una red, más complicado será enseñarle.
​ Tiempo de aprendizaje elevado, esto depende de dos factores, primero si se
incrementa la cantidad de patrones a identificar o clasificar y segundo si se
requiere mayor flexibilidad o capacidad de adaptación de la red neuronal para
reconocer patrones que sean sumamente parecidos, se deberá invertir más
tiempo en lograr que la red coincida valores de pesos que representan lo que
se quiera enseñar.

​ No permite interpretar lo que se ha aprendido, la red por sí sola proporciona

una salida, un número, que no puede ser interpretado por ella misma, sino
que se requiere de la intervención del programador y de la aplicación en sí
para encontrarle un significado a la salida proporcionada.
​ Elevada cantidad de datos para el entrenamiento, cuanto más flexible se
requiere que sea la red neuronal, más información tendrá que enseñarle para
que realice de forma adecuada la identificación.
 ​ Otros problemas con las redes neuronales son la falta de reglas definitorias
que ayuden a realizar una red para un problema dado.

Uso de las redes neuronales

Minji 10/03/2022
LECCIÓN PROGRESS

0% Complete

​ 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.
​ 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.
​ 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.
​ 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.