Una red neuronal o red neuronal artificial (Red Neuronal Artificial) es un sistema informático complejo basado en la estructura neuronal del cerebro humano. Sirven como base del aprendizaje automático, permitiendo que las computadoras aprendan e interpreten datos. El proceso se basa en recibir datos de entrada, procesarlos a varios niveles utilizando pesos ajustables (configurables en la etapa de entrenamiento) y producir un resultado predecible.

Estructura interna
Las redes neuronales funcionan según el principio de emular las neuronas biológicas que componen el cerebro humano. Así como las neuronas transmiten señales a otras neuronas a través de sinapsis, las RNA transmiten datos a través de una red de capas interconectadas de nodos, o ” neuronas artificiales.”

Cada nodo aplica una función específica a los datos de entrada y pasa el resultado a la siguiente capa. La red se entrena ajustando los pesos y desplazamientos de estos nodos en función del error de predicción de los datos de salida. Este método se conoce como el método de propagación inversa.

Tipos de redes neuronales

• Redes neuronales con comunicación directa (FNN). La información en FNN se mueve solo en una dirección: desde la capa de entrada a través de las capas ocultas hasta la capa de salida. Son ampliamente utilizados en tareas de reconocimiento de imágenes.
• Redes neuronales convolucionales (CNN). Las CNN están diseñadas para procesar datos similares a una cuadrícula. Tienen capas de convolución que aplican filtros a los datos de entrada. Son adecuados para tareas como el reconocimiento de imágenes y videos.
• Redes neuronales recurrentes (RNNs). Las RNN tienen conexiones que forman ciclos dirigidos. Esto les permite mantener una especie de “memoria” de los datos de entrada anteriores. Son adecuados para tareas de datos secuenciales, como el reconocimiento de voz o la previsión de series temporales.
• Redes con memoria larga a corto plazo (LSTM). Están diseñados para almacenar dependencias a largo plazo en datos secuenciales, que los RNC estándar no pueden manejar. A menudo se utilizan en tareas de procesamiento del lenguaje natural.
• Redes con funciones de base radial (RBFN). Las RBFN tienen una capa oculta de neuronas, cuya activación está determinada por la distancia desde el centro de la neurona. Son ampliamente utilizados para aproximar funciones y resolver problemas de control.
• Mapas autoorganizados (SOM). SOM utiliza el aprendizaje no supervisado para crear una representación de baja dimensión de datos de alta dimensión, lo que los hace útiles para visualizar datos complejos.
• Redes generativas adversariales (GAN). Las GANS constan de dos redes: una red generadora que crea nuevas instancias de datos y una red discriminadora que intenta distinguir las instancias reales de las falsas. Dichas redes se utilizan para crear contenido.

Aplicación de redes neuronales
Las redes neuronales se utilizan activamente en diversas industrias para resolver una amplia gama de tareas. Por ejemplo, reconocimiento de patrones en imágenes y videos, personalización de recomendaciones en servicios online, automatización de la gestión de procesos productivos, análisis de datos médicos para el diagnóstico de enfermedades, desarrollo de automóviles autónomos, procesamiento y traducción de lenguajes naturales, así como creación de contenido.