Redes Neuronales Artificiales: cómo funcionan y por qué son clave en la actualidad

🧠 Redes Neuronales Artificiales

---

Especialización en Analítica de Datos
Universidad Católica de Colombia
Asignatura: Fundamentos de Inteligencia Artificial
Estudiantes: Luisa Fernanda Mendez - Daniel Calle Muller - Sandra Isabel Vargas

Link: https://unidad5redesneuronales.blogspot.com/

📌 Introducción

Las redes neuronales artificiales (RNA) son uno de los pilares fundamentales de la inteligencia artificial moderna. Inspiradas en el cerebro humano, permiten que las máquinas aprendan de los datos, identifiquen patrones y realicen predicciones complejas.

Gracias a su capacidad de adaptación y procesamiento, las redes neuronales son utilizadas en diferentes áreas como el reconocimiento de voz, la visión artificial, la medicina, la robótica y los sistemas de recomendación. En la actualidad, su desarrollo ha impulsado grandes avances tecnológicos, convirtiéndose en una herramienta fundamental para la innovación y la automatización de procesos inteligentes

🧩 La neurona artificial

La neurona artificial es la unidad básica de una red neuronal. Recibe datos de entrada, los pondera según su importancia y genera una salida.

Analogía: Es como un pequeño evaluador que decide si cierta información es relevante.

Cada neurona:

• Recibe entradas (inputs)
• Multiplica cada entrada por un peso
• Suma los resultados y aplica una función matemática

---

🧩 Capas y conexiones

Las neuronas se organizan en capas: entrada, ocultas y salida. Las conexiones entre ellas tienen pesos que determinan cuánto influye una neurona sobre otra.

 🧩 Función de activación

La función de activación decide si la información procesada se transmite a la siguiente capa. Gracias a ella, la red puede aprender relaciones complejas.

ReLU: activa solo valores positivos

Sigmoide: transforma valores entre 0 y 1

Leaky ReLU: Permite un pequeño valor negativo en lugar de 0. Evita que neuronas “mueran” (dead neurons).

ELU (Exponential Linear Unit): Suaviza la parte negativa con una curva exponencial.

Tanh (Tangente hiperbólica): Salida entre -1 y 1.

Maxout: Toma el máximo de varias funciones lineales.

---

🧩 Propagación hacia adelante: del dato a la predicción (forward propagation)

Durante la propagación hacia adelante, los datos viajan desde la capa de entrada hasta la salida, transformándose paso a paso hasta generar una predicción.

🧩 Aprendizaje y ajuste de pesos

El aprendizaje ocurre cuando la red compara su predicción con el valor real y ajusta sus pesos para reducir el error.

Este proceso usa:

• Una función de pérdida (mide el error)
• Un algoritmo como descenso por gradiente
• El método de retropropagación (backpropagation)

Las redes neuronales artificiales pueden solucionar problemáticas del contexto empresarial y apoyar la investigación científica al analizar grandes volúmenes de datos de manera eficiente y detectar patrones complejos. En el ámbito empresarial, permiten optimizar la toma de decisiones mediante la predicción de comportamientos del mercado, la segmentación de clientes, la automatización de procesos y la detección temprana de fraudes o riesgos, mejorando así la competitividad y la eficiencia operativa. En la investigación científica, las redes neuronales facilitan el análisis de datos experimentales de alta complejidad —como imágenes médicas, datos climáticos o tendencias de mercados — contribuyendo a generar nuevos conocimientos, formular predicciones más precisas y acelerar el avance científico en diversas disciplinas. Algunos ejemplos son: 

🏢 Aplicaciones empresariales

• Predicción de ventas y demanda: redes neuronales detectan patrones históricos (capas y pesos) para anticipar ventas.
• Detección de fraude financiero: neuronas y funciones de activación permiten identificar transacciones atípicas.
• Sistemas de recomendación: la propagación hacia adelante genera sugerencias personalizadas, por ejemplo sugerencias en Netflix, Amazon etc

---

🔬 Aplicaciones científicas

• Diagnóstico médico por imágenes: analizan imágenes clínicas con alta precisión, por ejemplo en detección de bordes en lunares para determinar bordes cancerigenos.
• Predicción climática: predicción de tormentas o tornados
• Investigación genética: para identificar patrones de ADN

🔬 Parámetros de aprendizaje

Los algoritmos de aprendizaje utilizan métodos iterativos para minimizar una función de costo, aunque esto puede generar problemas de convergencia. La convergencia permite verificar si una arquitectura y su regla de aprendizaje pueden resolver un problema específico. Además, en el entrenamiento de una red es fundamental evaluar no solo el error sobre los datos de entrenamiento, sino también su desempeño con datos nuevos, ya que esto mide la capacidad de generalización.

• Aprendizaje supervisado
• Aprendizaje no supervisado o autoorganizado
• Aprendizaje híbrido
• Aprendizaje reforzado 

---

✅ Conclusiones

Las redes neuronales se han consolidado como una herramienta fundamental en el análisis de datos debido a su capacidad para modelar relaciones complejas y no lineales, que los métodos estadísticos tradicionales difícilmente pueden determinar. Gracias a su arquitectura basada en capas y neuronas interconectadas, estas técnicas permiten extraer patrones ocultos en grandes volúmenes de datos, lo que resulta vital en contextos donde la información es heterogénea, incompleta o de alta dimensionalidad.

Las redes neuronales potencian el análisis de datos al transformar información histórica en conocimiento aprovechable, facilitando la predicción, clasificación y detección de anomalías (Datos atípicos). En contextos empresariales, esto se traduce en mejores decisiones estratégicas —como la optimización de procesos, la segmentación de clientes o la detección de fraudes— mientras que, en la investigación científica, permiten analizar datos experimentales complejos con mayor precisión y eficiencia.

---

📚 Bibliografía

• Haykin, S. (2009). Neural networks and learning machines (3rd ed.). Pearson Education
• Hilera González, J. R., & García Tomé, A. (s. f.). Redes neuronales artificiales: Fundamentos, modelos y aplicaciones (Serie Paradigma).

Autores:

Luisa Fernanda Mendez

Daniel Calle Muller

 Sandra Isabel Vargas L.