Facultad de ingeniería en sistemas CREATED Táchira
NeuronIA
El Futuro del Aprendizaje Automático
Autor: Antony Jesús Chacón Gelviz
C.I: 30569638
Redes neuronales
Tutor: YUSBELIS DEL CARMEN PEREZ SANCHEZ
18 de febrero de 2025
Descubre cómo las redes neuronales artificiales están revolucionando la inteligencia artificial, optimizando procesos, y transformando industrias. Desde el reconocimiento facial hasta la detección de fraudes, explora el futuro de la tecnología basada en el aprendizaje automático y su impacto en nuestra vida cotidiana.
Derechos de autor 2024 equipo editorial del e-book
Editor en jefe:
Antony Jesús Chacón Gelviz
C.I: 30569638
Equipo editorial del e-book:
Editor en jefe
Antony Jesús Chacón Gelviz
Docente:
Yusbelis Del Carmen Perez Sanchez
Correo electrónico para información: Chaconantonyjesús@gmail.com
Carrera en curso:
Ingeniería de sistemas
Sección: T1
Fecha de publicación 18 de febrero de 2025
Estructura
Conclusión
Bibliografía
Introducción
Las redes neuronales artificiales representan un avance significativo en el campo de la inteligencia artificial, permitiendo a las máquinas realizar tareas complejas a velocidades y escalas que superan las capacidades humanas. Basadas en la teoría del aprendizaje automático (Machine Learning), estas redes imitan el funcionamiento del cerebro humano mediante la conexión de "neuronas" artificiales, las cuales procesan información y generan resultados Su aplicación es amplia y abarca desde la automatización industrial hasta el análisis de grandes volúmenes de datos, mejorando la eficiencia y reduciendo errores en diversos sectores.
En su estructura, las redes neuronales artificiales se inspiran en el funcionamiento biológico de las neuronas humanas, utilizando componentes como el axón, las dendritas y el soma, para recibir, procesar y transmitir información Estos sistemas se componen de varias capas: una capa de entrada que recibe los datos, una o múltiples capas ocultas que procesan la información, y una capa de salida que proporciona el resultado final. Este enfoque permite a las redes neuronales realizar tareas de clasificación, reconocimiento de patrones y predicción de datos con gran precisión.
Entre los tipos más destacados de redes neuronales se encuentran el Perceptrón Multicapa (MLP), especializado en la clasificación y regresión, y las Redes Neuronales Convolucionales (CNN), diseñadas para el aprendizaje profundo y el reconocimiento de imágenes y objetos. Estas tecnologías se utilizan en aplicaciones cotidianas como el reconocimiento facial, la detección de fraudes financieros y los sistemas de seguridad inteligentes Los algoritmos asociados, como la retropropagación y las funciones de activación (sigmoide y ReLU), optimizan el aprendizaje y la toma de decisiones
Desarrollo Fundamentos de las Redes Neuronales Artificiales
Son definidas como uno de los exponentes que complementan a las inteligencias artificiales, basándose en la teoría del aprendizaje automático (Machine Learning), cuyo objetivo es permitir a las maquinas puedan ejecutar tareas a grandes velocidades que los seres humanos no podrían realizar en condiciones convencionales. Esta herramienta de gran potencial, a permitido procesar y desarrollar cambios en distintos ámbitos o áreas del día a día o aspectos laborales.
Los cambios más resaltantes se pueden observar en el área de mercado laboral, donde la inteligencia e independencia de las máquinas permiten desarrollar trabajos pesados y repetitivos en menos tiempo, ademas de minimizar la presencia de errores en los productos (un ejemplo seria la construcción y producción de automóviles con maquinarias inteligentes.
Estas redes neuronales están basadas de acuerdo al cerebro humano, donde estas son capaces de simular el comportamiento y capacidades del mismo a un cierto grado de similitud (siendo limitado de acuerdo a las capacidades de la IA y el hardware a su disposición), Las redes neuronales artificiales, son un conjunto de neuronas artificiales que funcionan como nudos para recibir la información del exterior o de otras neuronas, representando los impulsos nerviosos que reciben las neuronas humanas; donde este proceso permite formular y dar una salida que alimente otras neuronas o terminan siendo la salida final al exterior
Redes Neuronales de Tipo Biológico
También conocidas como red nerviosa, función por un conjunto de conexiones sinápticas ordenadas, lo que causa la unión de neuronas con otras en sus regiones correspondientes, esto mediante la migración neuronal Este proceso se desarrolla debido al crecimiento de los axones y el reconocimiento de las estructuras sinápticas que es mediado por el cono de crecimiento que corresponde al extremo de cada axón en crecimiento.
Estructura de una red neuronal biológica
Sinapsis: Es el proceso más importante para el desarrollo de una red neuronal, ya que permite la comunicación entre las distintas neuronas y pueda transmitirse la información entre ellas, esto por medio de señales eléctricas que van viajando de una neurona a otra, y por medio de esto se pueda realizar cualquier función que se desee. Este proceso inicia cuando la neurona emisora envía un impulso eléctrico o “acción”, la cual es guiada por un neurotransmisor que viaja por el axón hasta la hendidura sináptica, para finalmente llevar el impulso hasta la neurona receptora por medio de la dendrita
Axón: Es una parte de las células nerviosas que pertenecen a las neuronas, y son quienes permiten conducir los impulsos provocados por la neurona misma.
Dendrita: Es una proyección proveniente de la neurona, la cual se caracteriza por su forma ramificada y es capaz de recibir los estímulos generados por las neuronas.
Soma: Es la parte que contiene el núcleo donde reside la información genética (ADN o ARN), la cual es posteriormente traducido por las proteínas.
Redes Neuronales Dirigidas a una Aplicación
Reconocimiento facial: Realizan el tarea de analizar información y generar un resultado para la comprobación de si un usuario pertenece a la base de datos que esta conectado, donde de ser así, daría acceso al mismo al sitio que desea ingresar, o en el aspecto de seguridad, daría datos respaldados sobre el usuario.
Todos estos procesos son gracias a la presencia de las IA en distintos dispositivos de seguridad
Detección de fraudes: Se utilizan para el análisis de grandes volúmenes de información o datos financieros, con el propósito de identificar patrones anómalos; para ello, se realiza un entrenamiento con datos previos a la IA, se programa para que analice siempre en tiempo real con un algoritmo para la detección de anomalías, y así finalmente tomar decisiones como bloquear transacciones, pedir verificación o dar una alerta a un miembro humano responsable
Taxonomía de Redes Neuronales
Perceptrón Multicapa (MLP): Es un tipo de red neuronal utilizada en el campo del aprendizaje automático, el cual se componen como su nombre lo indica, por múltiples capas de neuronas que están conectadas, donde la salida de una capa de neuronas se convierte en la entrada de otra. Estas neuronas pueden realizar tareas de clasificación y regresión, siendo muy útiles en problemas donde la relación entre las entradas y salidas no es lineal.
Convolucionales: Es otro tipo de algoritmo, pero que se encuentra especializado en el aprendizaje profundo, siendo utilizado para el reconocimiento de objetos, clasificación, detección o segmentación; es muy común verlos en vehículos autónomos, sistemas de cámaras de seguridad inteligentes, etc. Estos se encuentran inspirados por el sistema de visión humano y sus capacidades de reconocimiento.
Redes Neuronales Supervisadas
Son conocidas como un tipo red neuronal artificial, la cual va aprendiendo por medio de ejemplos ya establecidos previamente en sus datos, la cual utiliza las redes neuronales convolucionales. Estas se encuentran presenten en aplicaciones de reconocimiento de voz (Siri o Alexa), procesamiento de imágenes (reconocimiento facial o diagnósticos médicos), predicción de valores de mercado, y herramientas de traducción automáticas
Características
Entrenamiento con datos etiquetados: Cada una de las muestras de entradas esta asociada a una de salida esperada, permitiendo que le algoritmo realice predicciones.
Función de error: Durante el entrenamiento, la red debe mandar una señal de error entre la salida predicha y la salida real, para luego ajustar sus pesos para minimizarlos.
Retropropagación: Son los tipos de algoritmos más comunes para actualizar el peso de la red, el cual se basa en el descenso del gradiante.
Generalización: Posterior a la etapa de entrenamiento, la red es capaz de hacer predicciones con respecto a datos nuevos o no observado anteriormente
Ejemplo: Si se deseara implementar una red neuronal supervisada para la clasificación de imágenes de gatos y perros, se deberían realizar los siguientes pasos:
Datos de entrada: Imágenes de gatos y perros
Etiqueta: Cada imagen tiene una etiqueta que especifica si es de un gato o un perro.
Procesamiento de entrenamiento: La red es alimentada por las imágenes y sus etiquetas para luego hacer una predicción con respecto a sus características; luego se calcula el error entre la predicción y la etiqueta real, para finalmente ajustar los pesos por medio de la retropropagación
Predicción en nuevos datos: La red recibe una imagen con alta resolución, para por medio de ella determinar si es un gato o un perro.
Redes Neuronales no Supervisadas
Por su parte, las redes neuronales no supervisadas la cual aprende a encontrar patrones en la información o datos que recopila, pero sin la necesidad de etiquetas o salidas esperadas, siendo este el punto que las diferencias de las supervisadas Este tipo de redes van explorando los datos que obtienen para ir agrupando información similar a la misma, basándose en características inherentes.
Características.
Aprendizaje sin etiquetas: La red solamente recibe los datos de entrada, pero no conoce la salida correcta.
Clustering: Trabaja en buscar similitudes entre los datos para ir organizándolos en grupos
Reducción de dimensionalidad: Es capaz de presentar los datos más relevantes de cada problema, evitando grandes cantidades de información o redundancias.
Detección de patrones ocultos: Es muy útil al momento de querer encontrar similitudes desconocidas entre distintos datos
Ejemplo: Debemos llevar el control de una agrupación de clientes en un supermercado, por lo que debemos segmentar a los clientes por su comportamiento de compra, pero sin saber las posibles categorías a establecer. Para conseguir que este proceso funcione, realizamos lo siguiente.
Datos de entrada: Se debe presentar la información sobre la compra del cliente (los tipos de productos, gastos y frecuencia de compras)
Proceso de aprendizaje: La red se encargara de analizar los datos para ir encontrando clientes con ciertas similitudes en sus compras; para posteriormente ir agrupándolos en categorías como “compradores frecuentes”, compradores de productos limitados”, “compradores esporádicos”.
Uso de la información: Mediante las categorías obtenidas, el supermercado puede realizar un análisis de clientes, para luego desarrollar ofertas de acuerdo a sus preferencias según a la categoría que correspondan.
Funciones de base y de activación
Funciones comunes.
Sigmoide: Se define como una función que esta presente en las redes neuronales como una función de activación en las capas ocultas, donde esta toma un valor de entrada hasta comprimirlo en un rango comprendido entre 0 y 1; lo que permite modelar probabilidades y realizar clasificaciones por la parte binaria. Su valor en las redes neuronales radica en la entrada de la función es la suma ponderada de las entradas que corresponden a una neurona y sus pesos sinápticos; y así la salida de la función es utilizada como la entrada para una siguiente capa o como la salida final de la red Esta función es utiliza para el proceso de entrenamiento, donde se deben ajustar los pesos sinápticos para lograr minimizar la función de perdida. Mayormente es utilizada para calcular la derivada de una función de los pesos, permitiendo que el algoritmo actualice los pesos sinápticos de manera eficiente con la menor presencia de errores.
ReLu: Es otra función de activación , en donde la X representa la entrada de una neurona. Esta es análoga de rectificación de media onda eléctrica, donde esta activara una serie de pasos de acuerdo al resultado del peso de dicha neurona.
Estructura de redes neuronales artificiales y aplicaciones
Capas principales de una red neuronal artificial.
Entrada (Input Layer): Es la primera capa que compone la red neuronal. la cual tiene como propósito el recibir los datos de entrada que provengan de otra neurona o de un dato exterior Esta capa se encarga de receptar la información para luego transportarla hacia las demás capaz, pero sin realizar alguna alteración en la información; cada neurona en la capa de entrada representa una característica o una variable (Se aclara que esta solamente cumple el papel de receptor y puente para las demás capas).
Ocultas (Hidden Layers): Son las más importantes para el desarrollo y funcionamiento correcto de una red neuronal, ya que son las responsables en la función de aprendizaje y procesamiento de la información; las redes neuronales pueden componerse de una o varias capas ocultas de acuerdo a su complejidad de procesamiento. Estas capas se encuentran entre las capas de entrada y salida, y son las encargadas de realizar los cálculos necesarios por medio conexiones ponderadas y funciones de activación. Esta capa es quien recibe las entradas ponderadas de cada neurona de entrada, donde posteriormente aplica una suma ponderada de estas entradas junto con un sesgo; luego de esto, se utilizan las funciones de activación para introducir no linealidad y tomar la decisión de si la neurona se activa o no, y este resultado es enviado a la capa de salida.
Salida (Output Layer): Es la ultima parte de la red neuronal que esta compuesta por cierto número de neuronas según la complejidad del problema que resuelva la red, mediante las cuales se proporciona el resultado final Estas neuronas utilizan funciones de activación para transformar el resultado final en un formato deseado
Conclusión
Las redes neuronales artificiales han revolucionado la forma en que se procesan y analizan grandes volúmenes de información, permitiendo a las máquinas emular ciertos aspectos del pensamiento humano con rapidez y eficiencia Su estructura inspirada en el cerebro humano, con capas de entrada, ocultas y de salida, posibilita la resolución de problemas complejos mediante el ajuste de los pesos sinápticos y la aplicación de funciones de activación. Gracias a la retropropagación y otros algoritmos de aprendizaje, estas redes pueden mejorar su precisión con el tiempo y adaptarse a nuevos datos
En el ámbito práctico, las redes neuronales tienen un impacto significativo en diversas industrias, desde la automatización de procesos hasta la seguridad y el análisis financiero. Ejemplos claros de su aplicación incluyen el reconocimiento facial, la detección de fraudes y la segmentación de clientes, donde su capacidad para identificar patrones ocultos y realizar predicciones precisas las convierte en herramientas esenciales A medida que avanzan las tecnologías de hardware y los algoritmos de aprendizaje, las redes neuronales seguirán desempeñando un papel crucial en el desarrollo de soluciones innovadoras y en la transformación digital de la sociedad moderna.
En síntesis, las redes neuronales artificiales no solo amplían las capacidades de la inteligencia artificial, sino que también abren nuevas posibilidades para resolver problemas complejos de manera eficiente. Su evolución y aplicación continuará impactando profundamente la forma en que las máquinas interactúan con el mundo y mejoran la calidad de vida en diversos ámbitos laborales y cotidianos.
Bibliografía
Huet Pablo (2023) Qué son las redes neuronales y sus aplicaciones. Consultado el 13 de febrero de 2025. Disponible en la página web https://openwebinars net/blog/que-son-las-redes-neuronales-y-susaplicaciones/
Inesdi (2022). Qué son las redes neuronales: tipos y funciones. Consultado el 13 de febrero de 2025. Disponible en la página web https://www.inesdi.com/blog/que-son-las-redes-neuronales-tipos-yfunciones/#:~:text=Las%20redes%20neuronales%20artificiales%20no,basa %20en%20matem%C3%A1ticas%20y%20estad%C3%ADstica
Inteligencia Artificial Colombia (2023). Qué son las redes neuronales. Consultado el 13 de febrero de 2025. Disponible en la página web https://iacolombia.co/que-son-las-redes-neuronales/.
Procesia (2024) Redes neuronales en IA ¿Por que son importantes? Consultado el 13 de febrero de 2025 Disponible en la página web https://procesia.com/redes-neuronales-inteligencia-artificial-tipos/.
Rosano Felipe (S.F). Fundamentos de redes neuronales artificiales. Consultado el 13 de febrero de 2025. Disponible en el documento web chromeextension://efaidnbmnnnibpcajpcglclefindmkaj/https://conceptos sociales una m mx/conceptos final/598trabajo pdf
Ruiz Carlos (2023). Taxonomía de las redes neuronales II: las arquitecturas. Consultado el 13 de febrero de 2025. Disponible en la página web https://es.linkedin.com/pulse/taxonom%C3%ADa-de-las-redes-neuronales-iarquitecturas-carlos-ruiz
