Redes neuronales

Una red neuronal artificial es un modelo computacional inspirado en el cerebro humano, diseñado para aprender patrones a partir de datos. Se compone de neuronas artificiales organizadas en capas, que transforman entradas en salidas a través de operaciones matemáticas.

Las redes neuronales son la base de muchos algoritmos de aprendizaje profundo (deep learning).

Estructura básica

Una red neuronal suele tener tres tipos de capas:

1. Capa de entrada: recibe los datos (por ejemplo, píxeles de una imagen).
2. Capas ocultas: procesan la información usando pesos, sumas y funciones de activación.
3. Capa de salida: produce el resultado final (por ejemplo, clasificación: gato o perro).

Cada conexión entre neuronas tiene un peso, y cada neurona aplica una función de activación (como ReLU, sigmoid, tanh).

Cada capa recibe el nombre de perceptron:

¿Cómo aprende una red neuronal?

1. Propagación hacia adelante (forward pass): calcula la salida en función de los pesos actuales.
2. Cálculo del error: compara la salida con la respuesta esperada.
3. Retropropagación (backpropagation): ajusta los pesos para minimizar el error usando descenso de gradiente.

Ventajas

• Puede aprender relaciones complejas y no lineales.
• Muy potente para tareas como:
  • Visión por computador
  • Reconocimiento de voz
  • Traducción automática
  • Diagnóstico médico

❌ Desventajas

• Requiere muchos datos y poder computacional.
• Difícil de interpretar ("caja negra").
• Sensible a la configuración de hiperparámetros (tamaño, número de capas, tasa de aprendizaje...).