Las redes neuronales son sistemas inspirados en el cerebro que pueden aprender de los datos. Se componen de neuronas interconectadas que colaboran para producir una salida. Se desarrollaron inicialmente en 1943 y resurgieron en popularidad en los años 80 debido al desarrollo del algoritmo de retropropagación. Ahora se usan en aplicaciones como reconocimiento de patrones, predicción y optimización en diversos campos como finanzas, medicina y manufactura.

2. Redes neuronales
Son un paradigma de aprendizaje y procesamiento
automático inspirado en la forma en que funciona el sistema
nervioso de los animales. Se trata de un sistema de
interconexión de neuronas que colaboran entre sí para producir
un estímulo de salida.

3. Los primeros modelos de redes neuronales datan
Historia de 1943 por los neurólogos McCulloch y Pitts.
Años más tarde, en 1949, Donald Hebb desarrolló
sus ideas sobre el aprendizaje
neuronal, quedando reflejado en la "regla de
Hebb". En 1958, Rosemblatt desarrolló
el perceptrón simple, y en 1960, Widrow y Hoff
desarrollaron el ADALINE, que fue la primera
aplicación industrial real.
En los años siguientes, se redujo la investigación, debido a
la falta de modelos de aprendizaje y el estudio de Minsky
y Papert sobre las limitaciones del perceptrón. Sin
embargo, en los años 80, volvieron a resurgir las RNA
gracias al desarrollo de la red de Hopfield, y en especial, al
algoritmo de aprendizaje de retropropagación ideado por
Rumelhart y McLellan en 1986 que fue aplicado en el
desarrollo de los perceptrones multicapa.

4. Estructura de una Red Neuronal Artificial
Las redes neuronales artificiales están formadas por una gran cantidad de
neuronas, estas no suelen denominarse neuronas artificiales sino nodos o unidades
de salida. Un nodo o neurona cuenta con una cantidad variable de entradas que
provienen del exterior (X1, X2, ......, Xm). A su vez dispone de una sola salida (Xj) que
transmitirá la información al exterior o hacia otras neuronas. Cada Xj o señal de salida
tiene asociada una magnitud llamada peso este se calculará en función de las
entradas, por lo cual cada una de ellas es afectada por un determinado peso
(Wjo...Wjq+m) (13). Los pesos corresponden a la intensidad de los enlaces sinápticos
entre neuronas y varían libremente en función del tiempo y en cada una de las
neuronas que forman parte de la red. (Fig. 1).

5. Aplicaciones de las Redes Neuronales
Las redes neuronales son una tecnología computacional emergente que puede
utilizarse en un gran número y variedad de aplicaciones, tanto como comerciales
como militares.
Hay muchos tipos diferentes de redes neuronales, cada uno de los cuales tiene un
aplicación particular más apropiada. Separándolas según las distintas disciplinas
algunos ejemplos de sus aplicaciones son:

6. Biología:
Aprender más acerca del cerebro y otros sistemas.
Obtención de modelos de la retina.
Empresa
Reconocimiento de caracteres escritos.
Identificación de candidatos para posiciones específicas.
Optimización de plazas y horarios en líneas de vuelo.
Explotación de bases de datos.
Evaluación de probabilidad de formaciones geológicas y
petrolíferas.
Síntesis de voz desde texto.
Medio Ambiente
Analizar tendencias y patrones.
Previsión del tiempo.

7. Finanzas
Previsión de la evolución de los precios.
Valoración del riesgo de los créditos.
Identificación de falsificaciones.
Interpretación de firmas.
Manufacturación
Robots automatizados y sistemas de control (visión
artificial y sensores de presión, temperatura, gas, etc.)
Control de producción en líneas de proceso.
Inspección de calidad.
Filtrado de señales.

8. Medicina
Analizadores del habla para la ayuda de audición de
sordos profundos.
Diagnóstico y tratamiento a partir de síntomas y/o
de datos analíticos (encefalograma, etc.).
Monitorización en cirugía.
Predicción de reacciones adversas a los
medicamentos.
Lectoras de Rayos X.
Entendimiento de causa de ataques epilépticos.
Militares
Clasificación de las señales de radar .
Creación de armas inteligentes.
Optimización del uso de recursos escasos.

9. Ventajas
Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que están basadas en la
estructura del sistema nervioso, principalmente el cerebro.
Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa de
aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cuál es la
salida (respuesta) esperada.
Auto organización: Una RNA crea su propia representación de la información en su interior, descargando
al usuario de esto.
Tolerancia a fallos: Debido a que una RNA almacena la información de forma redundante, ésta puede
seguir respondiendo de manera aceptable aun si se daña parcialmente.
Flexibilidad: Una RNA puede manejar cambios no importantes en la información de entrada, como señales
con ruido u otros cambios en la entrada (por ejemplo si la información de entrada es la imagen de un
objeto, la respuesta correspondiente no sufre cambios si la imagen cambia un poco su brillo o el objeto
cambia ligeramente).
Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es implementado con computadoras
o en dispositivos electrónicos especiales, se pueden obtener respuestas en tiempo real.