Redes neuronales.

                                          Fig. [1] Neurona     

          Las redes neuronales son utilizadas en la computación como una herramienta de auto-aprendizaje, principalmente en problemas complejos o extensos. Generalmente se distinguen por ser clasificadoras. Funcionan similar a una red neuronal natural. El perceptrón es lo que puede decirse una neurona para nosotros.
          La inteligencia artificial es un intento por descubrir y describir aspectos de la inteligencia humana que pueden ser simulados mediante máquinas. Una red neuronal artificial es un grupo interconectado de nodos similar a la vasta red de neuronas en un cerebro biológico. Cada nodo circular representa una neurona artificial y cada flecha representa una conexión desde la salida de una neurona a la entrada de otra.
Sus elementos son:

             *Receptor: Lugar donde llegan una o varias entradas provenientes principalmente de otras neuronas.
             *Sumador: Hace la suma algebraica con los valores de las señales de entrada, ponderándolas en relación con un "peso" (valor útil para encontrar el resultado de una función dada).
             *Función activadora: Función no lineal que sirve de umbral a la salida del sumador, con el objetivo de decidir activar o no la neurona.
             *Salida: Si la neurona es activada, entonces produce una señal de salida que irá dirigida a otra neurona u acción.

Hay varios tipos de redes neuronales:

              - Monocapas: Tienen dos capas (entrada y salida). La capa de salida, simplemente reproduce la de entrada. Como la capa de entrada sólo capta las señales no se toma mucho en cuenta y por eso recibe este nombre.
              - Bicapa: Tiene tres capas (entrada, oculta y de salida). Cada neurona de entrada está conectada con cada neurona de salida.

               Entre más capas mayor exactitud en el resultado.

                Por mencionar otras : Redes de Hopfield, Adaline, etc... (cada red tiene un tipo de aprendizaje específico)

                                              Fig. [2] Red neuronal de 3 capas.

           Toda red neuronal debe tener un aprendiaje aleatorio al principio, esto es con el fin de respetar el principio de evolución que es aleatorio y para que no generalice algo que pueda no ser cierto.

Esto se logra a partir de dar un peso aleatorio y en el camino buscará cuál es el peso correcto que corresponde a la función. Puede seguir una regla dependiendo del tipo de red.

            Al principio se entrena la red dándole entradas y valores de salida desea con un peso aleatorio, que lo irá ajustando para obtener la salida requerida. Se debe de tener una extensa base de datos para que pueda aprender. A partir de esto la red establecerá relaciones y aprenderá. Después se le hace una especie de examen, dándole nuevos valores de entrada y comparando las salidas con la base de datos.

            Una vez que concuerdan las salidas, la red neuronal ha aprendido.

            Una gran ventaja de las redes neuronales es que nunca dejan de aprender, por lo que cada vez va a ser más exacta y ampliará su marco de relaciones.

Red Neuronal Profunda (DNN por sus siglas en inglés).

El aprendizaje profundo se basa en una serie de algoritmos para crear un aprendizaje automático. Éste aprende en múltiples niveles de abstracción, formando una jerarquía de conceptos y relaciones.

Las redes neuronales profundas (DNN por sus siglas en inglés), utilizan este tipo de aprendizaje. Se caracterizan por ser redes con al menos una capa oculta entre las capas de entrada y salida. Cada capa realiza tareas de ordenamiento y clasificación en base a la jerarquía de conceptos que establece automáticamente la red neuronal. Este tipo de redes se utilizan principalmente para el manejo de datos no estructurados. Su entrenamiento puede ser supervisado, semi-supervisado o no supervisado. 

El aprendizaje supervisado involucra la intervención humana para brindarle al sistema la respuesta correcta y que éste encuentre la relación en la base de datos y realice la jerarquía de conceptos. Todo con el fin de lograr la diferenciación y clasificación de los elementos.

Referencias:
-Fig. [1] -"Redes Neuronales". (2017). Yepes Piqueras Víctor. ¿Qué es y para qué sirve una red neuronal artificial? Universidad Politécnica de Valencia: Poli Blogs. Recuperado el 18 de octubre del 2017, de: http://victoryepes.blogs.upv.es/2017/01/07/que-es-y-para-que-sirve-una-red-neuronal-artificial/

-Fig. [2] - "Redes neuronales". (2016). Stackoverflow: Información de etiqueta redes neuronales. Recuperado el 18 de octubre del 2017, de https://es.stackoverflow.com/tags/redes-neuronales/info.

- "Redes Neuronales". (2014). Lara Rosano Felipe. Fundamentos de Redes Neuronales Artificiales. UNAM. Recuperado el 18 de octubre del 2017, de: http://conceptos.sociales.unam.mx/conceptos_final/598trabajo.pdf

 - "Redes Neuronales Conceptos". (2001). Ruiz,C. Basualdo,M. Redes Neuronales: Conceptos Básicos y Aplicaciones. Rosario, Argentina: Unversidad tecnológica Nacional.
 "Red Neuronal Definición" (2008).Flores,R. Fernández,J. Las Redes Neuronales Artificiales. España: netbiblo.

 - "Red Neuronal". (2017).Aprendizaje neuronal. El Diario recuperado de:  http://0-search.proquest.com.millenium.itesm.mx/docview/1878921007?accountid=41938