{"id":2067,"date":"2016-03-27T10:44:16","date_gmt":"2016-03-27T13:44:16","guid":{"rendered":"http:\/\/geekosas.com\/?p=2"},"modified":"2026-05-23T17:37:14","modified_gmt":"2026-05-23T15:37:14","slug":"que-son-las-redes-neuronales","status":"publish","type":"post","link":"https:\/\/geekosas.com\/index.php\/es\/2016\/03\/27\/que-son-las-redes-neuronales\/","title":{"rendered":"Que son las redes neuronales?"},"content":{"rendered":"

Muchos han escuchado alguna vez hablar sobre las redes neuronales o la "inteligencia artificial" y hemos de ser honestos que cuando alguien utiliza aquellas palabras, suena como todo un Einstein de la computaci\u00f3n sacado de Terminator 2.<\/p>\n

<\/p>\n

B\u00e1sicamente, las redes neuronales, se aplican cuando el desarrollador no tiene la m\u00e1s m\u00ednima idea sobre como abordar un problema, por ende, prefiere que el computador lo "entienda" haga el trabajo de motelar el problema. Esto se logra creando un modelo (o formula) que debe ser calibrada.<\/p>\n

Una red neuronal tiene dos\u00a0particularidades: la forma funcional o modelo y la estrategia para calibrar este, hablar\u00e9 sobre estas particularidades en el orden que fueron nombradas, pero primero recordemos lo que es un modelo o representaci\u00f3n de la realidad:<\/p>\n

Un modelo que todos conocemos desde f\u00edsica en el colegio, cuando nos ense\u00f1aban como funcionaban los resortes, se postulaba que el modelo era:\u00a0extensi\u00f3n = K*fuerza<\/strong>,\u00a0donde K deb\u00eda ser medido con experimentos y luego, con una regresi\u00f3n, se calibraba\u00a0el modelo, este ten\u00eda como particularidad que daba una "linea recta", eso debido a que es un modelo lineal (como se puede ver en el siguiente gr\u00e1fico).<\/p>\n

\"\"<\/p>\n

Quiero dejar claro que en este y en todos los modelo, existen 3 componentes:<\/p>\n

    \n
  1. Valor a predecir: En este caso se quiere predecir la extensi\u00f3n<\/li>\n
  2. Variables de entrada o Dato: en este caso es la fuerza<\/li>\n
  3. Constantes de Calibraci\u00f3n: En este caso K.<\/li>\n<\/ol>\n

    Una red neuronal, es un modelo NO LINEAL, es tan no lineal que puede tomar pr\u00e1cticamente cualquier forma y puede depender de varias muchas Variables<\/strong> y tiene aun m\u00e1s Constantes<\/strong> y aunque esta funci\u00f3n no lineal puede tomar casi cualquier forma, su estructura est\u00e1 bastante clara.<\/p>\n

    La red neuronal, se compone de muchas mini-funciones, donde cada una de llama: neurona, perceptr\u00f3n, funci\u00f3n de respuesta, curva S o como plazca al que teclea en ese minuto lo importante es que cada una de estas funciones es una neurona conectada a otras neuronas. Las neuronas se conectan por capas, donde cada neurona toma el resultado \u00a0de las anteriores, los procesa y lo pasa a la siguiente\u00a0secuencial-mente entre ellas generando una red que se ve del siguiente modo:<\/p>\n

    \"\"<\/a><\/p>\n

    En el esquema anterior, cada cuadrado rojo es un dato de entrada y cada circulo es una neurona, donde cada neurona depende de todas los datos provenientes de la etapa anterior (pueden ser n capas).<\/p>\n

    As\u00ed en nuestra capa W1 tenemos funciones de la forma: $f(x_1,x_2,x_3,…,x_n,1)$, donde una funci\u00f3n simple puede ser una lineal:\u00a0$ f(x_1,x_2,x_3, … ,x_n,1) = B_1 x_1 +\u00a0B_2 x_2 + B_3 x_3 + … + c $ y como dije antes esta funci\u00f3n es a gusto del programador, en general determinada por prueba y error. En general se utilizan curvas S o funci\u00f3n logistica<\/a>.<\/p>\n

    Lo que hace especiales a las redes neuronales y a la mayor\u00eda de estos modelos de inteligencia artificial, es la forma de calibrarlos. Como son complejos y en general se tienen muchos datos de entrada y muchas muestras, si se aborda de la forma que se aborda una regresi\u00f3n lineal, colapsar\u00edamos\u00a0hasta el m\u00e1s poderoso de los computadores de la\u00a0NAZA, por ello en vez de calibrar, se habla de "entrenar" la red neuronal.<\/p>\n

    El entrenamiento de la red neuronal consiste en tomar uno de los casos de muestra, aplicarle el modelo y ver el resultado, si el resultado es bueno, mantener la red como esta, si es malo, ajustar un poquito los par\u00e1metros para que sea mejor y luego repetir con la siguiente muestra. Despu\u00e9s de hacer esto varias veces para cada muestra, tendremos nuestra red neuronal entrenada y lista para viajar al pasado a destruir\u00a0skynet.<\/p>\n

    Actualizaci\u00f3n: Si te gust\u00f3 el post, ve a jugar con redes neuronales en nuestro otro post llamado\u00a0Jugando con Redes Neuronales<\/a><\/p>\n

    Si te gust\u00f3, s\u00edguenos en cualquiera de nuestros medios, all\u00ed aparecer\u00e1n todas las publicaciones.<\/p>\n