Unidad 5: Redes

Neuronales: El
Cerebro Artificial
Redes neuronales: ¿Qué
son y cómo funcionan?
(explicación sencilla)
¿Qué son las redes neuronales?
Las redes neuronales son un modelo computacional inspirado en el
funcionamiento del cerebro humano. Están compuestas por unidades
interconectadas llamadas neuronas artificiales, organizadas en capas.
Estas neuronas procesan información y transmiten señales entre sí,
permitiendo que la red aprenda de los datos y realice tareas complejas.
¿Cómo funcionan las redes
neuronales?
Imagina una red neuronal como un equipo de personas trabajando juntas para resolver un problema. Cada
persona (neurona) recibe información de otras personas, la procesa y luego pasa su propia conclusión a
otras personas en el equipo. La fuerza de las conexiones entre las personas determina cuánto influye la
conclusión de una persona en las decisiones de las demás.

En una red neuronal:

1. Entrada: La información (datos) se introduce en la primera capa de la red, llamada capa de entrada.
2. Procesamiento: Cada neurona en la capa de entrada recibe parte de la información y realiza un cálculo
simple. Luego, pasa su resultado a las neuronas de la siguiente capa.
3. Capas ocultas: La información se procesa a través de una o más capas ocultas, donde cada neurona
realiza cálculos y pasa sus resultados a la siguiente capa.
4. Salida: La última capa, llamada capa de salida, produce el resultado final de la red, que puede ser una
predicción, una clasificación u otra forma de salida.
5. Aprendizaje: La red neuronal ajusta la fuerza de las conexiones entre las neuronas (llamadas pesos) para
mejorar su rendimiento en una tarea específica. Este proceso se llama entrenamiento y se basa en
mostrarle a la red muchos ejemplos de datos y sus respuestas correctas.

YouTube
¿Qué es una Red Neuronal? ¿Cómo funcionan?
✅ Conoce nuestro curso de Excel en Línea 5
https://a2capacitacion.com/bundled/Excel+Macros+Power Z…
10:11
Aplicaciones en visión por
computadora
Visión por Computadora:
- Reconocimiento de objetos: Las redes neuronales
convolucionales (CNN) son ampliamente utilizadas
para identificar y clasificar objetos en imágenes y
videos. Esto se aplica en:

Sistemas de seguridad y vigilancia para

detectar personas, vehículos o actividades
sospechosas.
Vehículos autónomos para reconocer señales
de tráfico, peatones y otros obstáculos.
Diagnóstico médico por imágenes para
identificar tumores, lesiones u otras anomalías.
Generación de imágenes:

Modelos Aplicaciones
Modelos como DALL-E 2 y Midjourney utilizan redes Diseño gráfico y creación de contenido visual.
neuronales para generar imágenes a partir de Ilustración de libros y artículos.
descripciones de texto, lo que tiene aplicaciones en:
Generación de imágenes para videojuegos y
películas.
Procesamiento de
Lenguaje Natural
(PLN)
1 Traducción automática
Servicios como Google Translate utilizan redes
neuronales para traducir texto de un idioma a otro con
una calidad cada vez mayor.

2 Chatbots y asistentes virtuales

Modelos como ChatGPT y LaMDA utilizan redes
neuronales para mantener conversaciones
coherentes y responder preguntas en lenguaje natural.

3 Análisis de sentimientos
Las redes neuronales se utilizan para analizar el
sentimiento expresado en textos, como reseñas de
productos o publicaciones en redes sociales.
Reconocimiento de voz

Asistentes de voz Transcripción automática

Asistentes de voz: Siri, Google Assistant y Alexa Las redes neuronales pueden transcribir audio a
utilizan redes neuronales para reconocer y entender texto, lo que es útil para subtítulos, reuniones y
comandos de voz. entrevistas.
Sistemas de
recomendación:
Plataformas de streaming:
Netflix, Spotify y YouTube utilizan redes neuronales para
recomendar películas, música y videos basados en tus
preferencias y historial de visualización.

Comercio electrónico:
Amazon y otros sitios de comercio electrónico utilizan
redes neuronales para recomendar productos que
podrían interesarte.
Aplicaciones en
juegos
AlphaGo, AlphaZero
Estos programas de inteligencia artificial de DeepMind
utilizan redes neuronales para jugar juegos de mesa
como Go y ajedrez a un nivel superhumano.

Generación de contenido
Las redes neuronales se utilizan para crear niveles,
personajes y diálogos en videojuegos.
Funciones de redes neuronales

Clasificación Regresión Clustering Generación de

Asignar una etiqueta o Predecir un valor Agrupar datos similares datos
categoría a una entrada numérico continuo (por en clusters (por Crear nuevos datos
(por ejemplo, clasificar ejemplo, predecir el ejemplo, segmentar similares a los datos de
imágenes, correos precio de una casa o la clientes o identificar entrenamiento (por
electrónicos o texto). demanda de un temas en documentos). ejemplo, generar
producto). imágenes, música o
texto).

Detección de
anomalías
Identificar patrones
inusuales o
sospechosos en los
datos (por ejemplo,
detectar fraudes o fallos
en equipos).
TensorFlow y Keras:
Herramientas para
crear redes
neuronales (ejemplos
básicos)
- TensorFlow: Es una biblioteca de código abierto
desarrollada por Google para el aprendizaje automático y la
creación de redes neuronales. Proporciona una
infraestructura flexible para definir, entrenar y desplegar
modelos de aprendizaje automático a gran escala.

- Keras: Es una interfaz de alto nivel para construir y entrenar

redes neuronales, que se ejecuta sobre TensorFlow (u otros
backends como Theano o CNTK). Keras simplifica la
creación de modelos complejos, haciéndolos más accesibles
para principiantes y permitiendo una rápida experimentación.
Ejemplo básico de una red neuronal densa (fully connected)
con Keras: Python

from tensorflow import keras

from tensorflow.keras import layers

# Crear un modelo secuencial

model = keras.Sequential()

# Agregar capas densas (fully connected)

model.add(layers.Dense(64, activation='relu', input_shape=(num_features,))) # Capa de entrada
model.add(layers.Dense(64, activation='relu')) # Capa oculta
model.add(layers.Dense(num_classes, activation='softmax')) # Capa de salida

# Compilar el modelo
model.compile(optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy'])

# Entrenar el modelo

model.fit(X_train, y_train, epochs=10,

Reconoce imágenes:
Clasifica fotos con redes
neuronales (ejemplos
sencillos)
- Redes Neuronales Convolucionales (CNN): Son un tipo especial de redes
neuronales diseñadas para procesar datos con una estructura de cuadrícula,
como imágenes. Utilizan capas convolucionales para extraer características
de las imágenes y capas de pooling para reducir la dimensionalidad.

YouTube
¡ Redes Neuronales CONVOLUCION…
Las Redes Neuronales Convolucionales son un
tipo de red neuronal especialmente diseñada…

13:25
Generación y análisis de texto con
RNN
Ejemplo sencillo de clasificación de imágenes con Keras:
Python

from tensorflow.keras import layers, models

# Crear un modelo secuencial

model = models.Sequential()

# Agregar capas convolucionales y de pooling

model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(image_height, image_width,
channels)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2,

2)))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(num_classes, activation='softmax'))

# Compilar

y entrenar el modelo (similar al ejemplo anterior)

Entiende el lenguaje: Genera y analiza texto con redes neuronales (ejemplos sencillos)

Ejemplo sencillo de generación de texto con Keras: Python

from tensorflow.keras import layers, models

# Crear un modelo secuencial

model = models.Sequential()

# Agregar capas LSTM (un tipo de RNN)

model.add(layers.Embedding(vocab_size, embedding_dim, input_length=max_sequence_length))
model.add(layers.LSTM(128))
model.add(layers.Dense(vocab_size, activation='softmax'))

# Compilar y entrenar el modelo (similar al ejemplo anterior)

1. Redes Neuronales Recurrentes (RNN): Son un tipo de redes neuronales diseñadas para procesar
secuencias de datos, como texto. Tienen conexiones recurrentes que les permiten mantener
información sobre elementos anteriores en la secuencia, lo que es crucial para entender el contexto y las
dependencias a largo plazo en el lenguaje.
2. Generación de texto: Modelos como ChatGPT y GPT-3 utilizan RNNs para generar texto coherente y
contextualmente relevante, incluyendo respuestas en chatbots, escritura creativa, resúmenes de texto y
más.
3. Análisis de sentimientos: RNNs pueden analizar secuencias de palabras para determinar el sentimiento
general de un texto, lo que es útil para monitorear la opinión pública en redes sociales o reseñas de
productos.
4. Reconocimiento de entidades nombradas (NER): RNNs pueden identificar y clasificar entidades como
nombres de personas, lugares y organizaciones en un texto, lo que es crucial para la extracción de
información y la comprensión del lenguaje.
Reconocimiento de voz y series de
tiempo

Reconocimiento de voz: Series de tiempo:

- Transcripción automática: Los sistemas de - Predicción financiera: RNNs pueden analizar datos
reconocimiento de voz utilizan RNNs para procesar históricos de precios de acciones, divisas u otros
secuencias de audio y convertirlas en texto, lo que activos financieros para predecir tendencias futuras
permite aplicaciones como subtítulos en tiempo real y ayudar en la toma de decisiones de inversión. -
y asistentes de voz. Pronóstico del tiempo: RNNs pueden procesar datos
meteorológicos históricos para predecir patrones
climáticos futuros. - Monitoreo de salud: RNNs
pueden analizar datos de sensores médicos para
detectar anomalías y predecir posibles problemas
de salud.
Música y audio
Generación de música: Funciones:
RNNs pueden aprender patrones en la música y Modelado de secuencias: RNNs son ideales
generar nuevas composiciones o completar para modelar cualquier tipo de datos
melodías existentes. secuenciales, donde el orden y la relación entre
los elementos son importantes.
Separación de fuentes de audio:
Predicción de la siguiente palabra o elemento:
RNNs pueden separar diferentes instrumentos o En el PLN, las RNNs se utilizan para predecir la
voces en una grabación de audio. siguiente palabra en una oración o el siguiente
carácter en un texto, lo que permite
aplicaciones como el completado automático
de texto.
Clasificación de secuencias: RNNs pueden
clasificar secuencias completas, como
determinar el sentimiento de una reseña o
identificar el tema de un artículo.
Generación de secuencias: RNNs pueden
generar nuevas secuencias de datos, como
texto, música o movimientos en un robot.
Traducción automática: RNNs pueden traducir
secuencias de palabras de un idioma a otro,
teniendo en cuenta el contexto y la gramática.
Ejemplos de aplicaciones conocidas:
Google Translate Siri y otros asistentes Subtítulos
de voz automáticos en
YouTube

Predicción de texto en teléfonos GitHub Copilot (sugerencias de

móviles código)