En este curso aprenderás sobre los fundamentos básicos y cómo funcionan las redes neuronales.Además, profundizaremos en las redes neuronales utilizadas para la visión artificial.

Las redes neuronales artificiales son capaces de descubrir automáticamente relaciones, entrada-salida (o rasgos característicos) en función de datos empíricos, merced a su capacidad de aprendizaje a base de ejemplos, esto nos permite resolver problemas que ayuden a una mejor toma de decisiones:

Inspiradas en el comportamiento del cerebro humano, las redes neuronales artificiales son un campo muy importante dentro de la inteligencia artificial. Su objetivo es tratar de buscar modelos que solucionen problemas difíciles de resolver mediante técnicas algorítmicas convencionales.

Clasificación por el número de capas

Clasificación por los tipos de conexiones.

· Redes neuronales no recurrentes:

· Redes neuronales recurrentes

Clasificación por grado de conexiones.

Características de las Redes Neuronales

Ventajas de redes neuronales

· El procesado de la información es local

· Los pesos son ajustados basándose en la experiencia

· Las neuronas son tolerantes a fallos

· Las neuronas pueden reconocer patrones que no han sido aprendidos

Desventajas de las redes neuronales

• Las redes neuronales necesitan un mayor preprocesamiento de los datos

• Complejidad de aprendizaje para grandes tareas

• Tiempo de aprendizaje elevado

• No son fácilmente explicables

¿Qué algoritmos son los más utilizados para hacer redes neuronales?

• Descenso de gradiente

• BackPropagation (Propagación hacia atrás):

• Método de Newton:

• Aprendizaje de cuantificación vectorial

Aplicaciones de las redes neuronales artificiales

· En los altavoces inteligentes

· Los vehículos inteligentes

· Los chatbots

· Colorización automática de imágenes en blanco y negro

· Traducción automática