Redes neuronales artificiales y como entrenarlas

redes neuronales artificiales que son cual es su importancia como entrenarlas historia de las redes neuronales sus orígenes y evolución sus resultados y éxitos claves

1. Redes neuronales artificiales Integrantes: Paul Arias José Cabrera Stefano Gazzella Pedro Dalgalarrando

2. ¿qué son las redes neuronales artificiales ? Modelos computacionales inspirados en el cerebro humano Compuestos por nodos interconectados (neuronas artificiales) Procesan información y producen una salida ajustable Capaces de aprender y adaptarse a diferentes entradas

3. IMPORTANCIA Revolución en la inteligencia artificial Sistema que aprenden y mejoran con la experiencia Procesamiento rápido y eficiente de grandes volúmenes de datos Aplicaciones claves Reconocimiento de imágenes Procesamiento de lenguaje natural Predicciones financieras

4. Importancia Aplicaciones en diversos campos Diagnósticos médicos Identificación de patrones en imágenes médicas Conducción autómata Reconocimiento de objetos y toma de decisiones en tiempo real Traducción automática y generación de textos Clasificación y etiquetado automático de fotografías

5. ENTRENAMIENTO DE UNA RED NEURONAL ¿Como se entrena? ajuste de pesos en las entradas de cada neurona La capa de salida se adapta para aproximarse a los datos reales Ejemplo Reconocimiento de perro en imágenes Entrenamiento con imágenes que contienen y no contienen perros Extracción precisa de características para identificación

6. Historia Orígenes 1943 Modelo de neurona artificial de McCulloch y Pitts Basado en señales eléctricas de neuronas biológicas 1950 perceptrón de Frank Rosenblatt Entrenable para reconocimiento de patrones Limitaciones pero fundamental para avances futuros

7. Historia Evolución 1969 Críticas de Minsky y Papert Pausa de investigaciones 1986 Algoritmo de retroprogramación Revitalización del campo 1989-90 Redes neuronales convolucionales (CNN) de LeCun Base para el reconocimiento de moderno de imágenes

8. Resultados y éxitos Claves La evolución de la RNA demostró su potencial con resultados revolucionarios 1998 LeNet – 5 Reconocimiento de dígitos manuscritos Uno de los primeros éxitos prácticos 1% de error 2012 AlexNet Reconocimiento de imágenes a gran escala (ImageNet) Rompió récords de precisión , impulsando la era del Deep Learning

9. Resultados y éxitos Claves La evolución de la RNA demostró su potencial con resultados revolucionarios 2015 PReLU-nets Error top-5 del 4.94% en ImageNet Supero por primera vez la capacidad humana en esta tarea Redes neuronales especiales SNNs Superan múltiples métodos en diversas tareas Mayor robustez sin problemas de gradiente

10. Conclusión Resumen De modelos simples Perceptron a sistemas de precisión sobresalientes (superando el nivel humano) Su capacidad de aprender está demostrada en aplicaciones críticas Reconocimiento de imágenes AlexNet, PreLU-nets) Procesamiento de datos complejos SNNs Futuro Prometedor con arquitecturas mas robustas y eficientes, libres de limitaciones pasadas, como la incapacidad para aprender funciones no lineales (XOR) y el problema de los gradientes vanishing

11. Bibliografia Huet , P. (abril de 2023). “Que son las redes neuronales y sus aplicaciones”. OpenWebinars . https://openwebinars.net/blog/que-son-las-redes-neuronales-y-sus-aplicaciones/ IBM. (2023). ¿Qué son las redes neuronales? IBM. https://www.ibm.com/es-es/think/topics/neural-networks Martínez, M. (abril de 2025).” ¿Qué es una red neuronal y cómo funcionan?”. Universidad Europea. https://universidadeuropea.com/blog/redes-neuronales-artificiales/