Las Redes Neuronales aparecieron de la mano de la Inteligencia Artificial en sus inicios como: • Sistemas formales de reglas y manipulación simbólica. • Rama más conocida de la Inteligencia Artificial. Las Redes Neuronales aparecieron en la Inteligencia Computacional (Softcomputing) como: • Sistemas Inspirados en las redes neuronales biológicas. • Métodos Inductivos: aprendizaje a partir de ejemplos. Ambas tratan de resolver problemas no algorítmicos a partir de la experiencia almacenada como conocimiento.

1. Introducción a las
Redes Neuronales y
sus Aplicaciones
Introducción a las Redes Alejandro Peña P.
Neuronales Artificiales
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Alejandro Peña P., PhD. Métodos de Aprendizaje
Implementación
pfjapena@gmail.com Ventajas
Áreas de Trabajo
Patricio García Baéz, PhD. Implementación y
Aplicaciones
pgarcia@ull.es Aplicaciones
Desarrollo de Biochips
Grupo de Investigación en Inteligencia Futuro de las RNA
Computacional y Robótica (GICR) Bibliografía
Escuela de Ingeniería de Antioquia

2. Introducción a las
Redes Neuronales en la Inteligencia Artificial Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Las Redes Neuronales aparecieron de la mano de la Inteligencia
Artificial en sus inicios como:
• Sistemas formales de reglas y manipulación simbólica.
Contenido
• Rama más conocida de la Inteligencia Artificial.
Redes Neuronales e IA.
Las Redes Neuronales aparecieron en la Inteligencia
Inspiración Biológica.
Computacional (Softcomputing) como:
Modelado Neuronal.
• Sistemas Inspirados en las redes neuronales Neurona Natural vs.
biológicas. Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
• Métodos Inductivos: aprendizaje a partir de ejemplos. Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Ambas tratan de resolver problemas no algorítmicos a partir de la
Implementación y
experiencia almacenada como conocimiento. Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

3. Introducción a las
Inspiración Biológica Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
«Entender el cerebro y emular su comportamiento»
El cerebro presenta las siguientes ventajas que son deseables
Contenido
para los sistemas computacionales:
Redes Neuronales e IA.
• Gran velocidad de procesamiento.
Inspiración Biológica.
• Tratamiento de grandes cantidad de información provenientes
Modelado Neuronal.
de los sentidos y de la memoria almacenada. Neurona Natural vs.
Neurona Artificial
• Se adapta a nuevos ambientes por aprendizaje. Neurona Artificial
Arquitecturas Neuronales.
• Es robusto y tolerante a fallas. Métodos de Aprendizaje
Implementación
Ventajas
• Es compacto y consume poca energía. Áreas de Trabajo
• Es altamente paralelo. Implementación y
Aplicaciones
• Capacidad de aprendizaje. Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

4. Introducción a las
Inspiración Biológica Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
La neurona biológica posee
las siguientes características:
• Árbol dendrítico de
entradas. Contenido
• Un Axón de salida. Redes Neuronales e IA.
• Sobre de 10^4 sinapsis.
Inspiración Biológica.
• Comunicación mediante
potenciales de Acción Modelado Neuronal.
Neurona Natural vs.
(PA). Neurona Artificial
• Período refractario de 10 Neurona Artificial
Arquitecturas Neuronales.
^(-3) segundos entre PA’s. Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

5. Introducción a las
Inspiración Biológica Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
La transmisión de información entre neuronas se hace de las
siguiente manera:
• Impulso eléctrico viaja por el axón.
Contenido
• Liberación de neurotransmisores. Redes Neuronales e IA.
• Apertura/Cierre de canales iónicos. Inspiración Biológica.
• Variación potencial en dendrita. Modelado Neuronal.
Neurona Natural vs.
• Integración de entradas en el soma. Neurona Artificial
Neurona Artificial
• Si se supera un umbral de disparo, se genera un PA. Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

6. Introducción a las
Inspiración Biológica Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Las redes neuronales en el cerebro
se ubican:
• Paquetes de 10^10 a 10^11
neuronas. Contenido
• 10^14 sinapsis. Redes Neuronales e IA.
• Organización por capas.
Inspiración Biológica.
• Organización por niveles.
• Sistema Nervioso Central. Modelado Neuronal.
Neurona Natural vs.
• Circuitos entre regiones. Neurona Artificial
• Circuitos locales. Neurona Artificial
Arquitecturas Neuronales.
• Neuronales. Métodos de Aprendizaje
Implementación
• Arboles dendríticos. Ventajas
• Microcircuitos neuronales. Áreas de Trabajo
• Sinapsis. Implementación y
• Canales Iónicos. Aplicaciones
Aplicaciones
• Moléculas. Desarrollo de Biochips
Futuro de las RNA
Bibliografía

7. Introducción a las
Inspiración Biológica Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Características Sistema Nervioso
Central (SNC):
• Inclinación a adquirir
Contenido
conocimiento desde la
experiencia. Redes Neuronales e IA.
• Conocimiento almacenado en Inspiración Biológica.
conexiones sinápticas. Modelado Neuronal.
Neurona Natural vs.
• Gran plasticidad neuronal. Neurona Artificial
Neurona Artificial
• Comportamiento altamente no- Arquitecturas Neuronales.
Métodos de Aprendizaje
lineal. Implementación
Ventajas
• Alta tolerancia a fallos. Áreas de Trabajo
Implementación y
• Apto para reconocimiento, Aplicaciones
percepción y control. Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

8. Introducción a las
Modelado Neuronal Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Una red neuronal artificial (RNA) es un sistema de
procesamiento de información que tiene ciertas aptitudes en
común con las redes neuronales biológicas:
• El procesamiento de información ocurre en muchos
elementos simples llamados neuronas. Contenido
• Las señales son transferidas entre neuronas a través de Redes Neuronales e IA.
enlaces de conexión. Inspiración Biológica.
• Cada conexión tiene un peso asociado, el cual, típicamente, Modelado Neuronal.
Neurona Natural vs.
multiplica a la señal trasmitida. Neurona Artificial
Neurona Artificial
• Cada neurona aplica una función de activación (usualmente Arquitecturas Neuronales.
Métodos de Aprendizaje
no lineal) a su entrada de red (suma de entradas pesadas) Implementación
para determinar su salida. Ventajas
Áreas de Trabajo
Laurene Fausett Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

9. Introducción a las
Modelado Neuronal Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
El modelado neuronal, posee los siguientes enfoques:
1. Computacional:
• Modelos eficientes, potentes y simples.
• Áreas de aprendizaje inductivo y reconocimiento de Contenido
patrones.
Redes Neuronales e IA.
2. Cognitivo:
• Interesado por capacidades cognitivas de los Inspiración Biológica.
modelos. Modelado Neuronal.
• Centrados en la representación del conocimiento. Neurona Natural vs.
Neurona Artificial
3. Biocognitivo: Neurona Artificial
Arquitecturas Neuronales.
• Premisa la plausibilidad biológica. Métodos de Aprendizaje
4. Psicofisiológico: Implementación
Ventajas
• Mecanismos naturales de proceso cognitivos reales. Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

10. Introducción a las
Neurona Natural vs Neurona Artificial Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
• Neurona=Unidad de Procesamiento.
• Conexiones Sinápticas=Conexiones o Pesos.
• Efectividad Sináptica=Peso Sináptico.
• Exitatorio/Inhibitorio=Pesos(+ ó -). Contenido
• Efecto combinado de sinapsis = Función suma. Redes Neuronales e IA.
• Activación->Radio disparo = Función activación ->salida.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

11. Introducción a las
Neurona Artificial Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

12. Introducción a las
Neurona Artificial Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Dependiendo del problema a resolver, la función de activación
toma diferentes formas de la siguiente manera:
Esta función se utiliza cuando se requiere la
Contenido
toma de decisiones en V ò F, o se quieren
Redes Neuronales e IA.
procesar imágenes en B ò N.
Inspiración Biológica.
Estas funciones permiten establecer valores Modelado Neuronal.
de pertenencia entre un intervalo de V ò F o Neurona Natural vs.
Neurona Artificial
B ò N. Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Las funciones gaussianas, permiten la Ventajas
clasificación de patrones de acuerdo con Áreas de Trabajo
características fundamentales de los Implementación y
mismos. Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

13. Introducción a las
Arquitecturas Neuronales Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Las redes neuronales tienen las siguientes arquitecturas:
• Según la cantidad de
neuronas.
1. Número de entradas Contenido
2. Número de Neuronas
Redes Neuronales e IA.
Intermedias.
3. Número de Neuronas Inspiración Biológica.
de Salida. Modelado Neuronal.
• Según conectividad: Neurona Natural vs.
Neurona Artificial
1. Feedforward Neurona Artificial
Arquitecturas Neuronales.
2. Redes recurrentes. Métodos de Aprendizaje
3. Estructuras Enrejadas. Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

14. Introducción a las
Métodos de Aprendizaje Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
• Aprendizaje:
• Estimulación de las Redes Neuronales.
• Cambios internos debido a la estimulación.
• Nueva forma de responder a los cambios de la estructura
interna. Contenido
• Paradigmas de Aprendizaje.
Redes Neuronales e IA.
• Aprendizaje Supervisado.
• Aprendizaje por Reforzamiento. Inspiración Biológica.
• Aprendizaje Auto-Organizado (No Supervisado). Modelado Neuronal.
Neurona Natural vs.
• Precalculado o prefijado. Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

15. Introducción a las
Implementación Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Fases para el desarrollo de un modelo neuronal
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

16. Introducción a las
Ventajas del Modelado Neuronal Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Dentro de las ventajas que presentan el modelado neuronal
frente a otro tipo de modelamiento tenemos:
• Generalización. • Manejo de Información
• Estructura altamente Contextual.
paralela. • Tolerancia a Fallos. Contenido
• No Linealidad. • Implementación VLSI. Redes Neuronales e IA.
• Mapeo Entrada-Salida. • Uniformidad en el Análisis y Inspiración Biológica.
• Adaptabilidad. Diseño.
Modelado Neuronal.
• Respuesta Graduada. • Estabilidad en el Neurona Natural vs.
Aprendizaje. Neurona Artificial
Neurona Artificial
• Analogía y Neurobiología. Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

17. Introducción a las
Áreas de Trabajo Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
De acuerdo con lo anterior, las redes neuronales pueden
solucionar problemas en diferentes áreas del conocimiento:
Procesamiento de Señales
Análisis de Datos Contenido
Reconocimiento de Patrones Redes Neuronales e IA.
Inspiración Biológica.
Control
Modelado Neuronal.
Inteligencia Artificial Neurona Natural vs.
Informática Neurona Artificial
Neurona Artificial
Desarrollo de aplicaciones con Arquitecturas Neuronales.
Aplicaciones paralelismo implícito Métodos de Aprendizaje
Sicología Implementación
Ventajas
Áreas de Trabajo
Construcción de modelos
Implementaciones Implementación y
neuronales. Aplicaciones
Aplicaciones
Desarrollo de Biochips
Arquitectura y Teoría de Validación de Futuro de las RNA
Redes Neuronales. funcionamiento de
Bibliografía
arquitecturas neuronales
Matemáticas Física

18. Introducción a las
Aplicaciones Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Los modelos neuronales tienen la potencialidad para la
solución de problemas en áreas como:
• Asociación de Datos.
• Clasificación de Patrones.
• Pronóstico y Predicción. Contenido
• Control de Procesos Industriales.
Redes Neuronales e IA.
• Aproximación.
• Optimización. Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
De manera general, las redes Neurona Artificial
neuronales son aplicables en Neurona Artificial
Arquitecturas Neuronales.
áreas de conocimiento en las Métodos de Aprendizaje
cuales: Implementación
Ventajas
• Es difícil describir el Áreas de Trabajo
conocimiento /forma de Implementación y
resolverlos. Aplicaciones
Aplicaciones
• Se dispone de una gran Desarrollo de Biochips
cantidad de datos.
Futuro de las RNA
Bibliografía

19. Introducción a las
Aplicaciones de las Redes Neuronales Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Neurosimuladores.
Los neurosimuladores se pueden clasificar en:
• Software: Estas aplicaciones son flexibles y económicas,
debido a su facilidad de implementación.
• Hardware: Estas aplicaciones resultan ser muy eficientes,
debido a que el poder de su funcionamiento esta en los Contenido
pesos de sus conexiones. Redes Neuronales e IA.
Inspiración Biológica.
De acuerdo con su desarrollo, el neurosoftware posee:
Modelado Neuronal.
• Programación directa. Neurona Natural vs.
• Librerías específicas de libre distribución. Neurona Artificial
Neurona Artificial
• Entornos de desarrollo amigables. Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
De acuerdo con lo anterior, Ventajas
Áreas de Trabajo
estas aplicaciones dan al
usuario: Implementación y
Aplicaciones
• Facilidad de uso. Aplicaciones
• Potencia. Desarrollo de Biochips
• Eficiencia. Futuro de las RNA
• Extensibilidad. Bibliografía

20. Introducción a las
Problemas de Asociación. Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
• NETalk (Sejnowski &
Rosemberg)
• Genera gonemas a
partir de textos
escritos.
Contenido
• Permite el
reconocimiento lectura Redes Neuronales e IA.
de algunas Inspiración Biológica.
palabras de un texto.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
• Tratamiento de imágenes. Neurona Artificial
• Reconocimiento de Arquitecturas Neuronales.
Métodos de Aprendizaje
placas de automoviles. Implementación
• Tratamiento del ruido Ventajas
Áreas de Trabajo
en imágenes
• Restitución. Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
• Compresión de imágenes.
Futuro de las RNA
Bibliografía

21. Introducción a las
Problemas de Clasificación de Patrones. Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Conteo de Células
• Clasificación de
glóbulos blancos
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Inspección Visual Modelado Neuronal.
Neurona Natural vs.
• Procesos de producción Neurona Artificial
repetitivos y alta Neurona Artificial
Arquitecturas Neuronales.
velocidad. Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Reconocimiento del Iris Aplicaciones
Aplicaciones
• Para autenticación en Desarrollo de Biochips
seguridad.
Futuro de las RNA
Bibliografía

22. Introducción a las
Problemas de Pronóstico y Predicción.. Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
NeuralStocks.
• Pronóstico de Acciones.
• Pronóstico y Predicción Hidrológica para reservas en
embalses y períodos de lluvias.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

23. Introducción a las
Problemas de Robótica. Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
• Manipulación de piezas a alta velocidad.
• Cinemática Inversa y Análisis de Esfuerzos.
• Navegación automática en espacios cerrados.
• Planeación de trayectorias.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

24. Introducción a las
Problemas de Interpolación y Optimización Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
• Aproximación de funciones.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
• Problemas de Optimización de Rutas en Sistemas de Neurona Artificial
Información Geográfica (SIG). Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

25. Introducción a las
Problemas en Astrofísica/Astronomía Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
• Identificación y caracterización de Objetos como Galaxias
y Fuentes de Rayos Gama.
• Eliminación de ruido en imágenes satelitales.
• Búsqueda de cúmulos de galaxias.
• Análisis de datos recogidos por instrumentos de nueva Contenido
generación como: Redes Neuronales e IA.
• Telescopios de neutrinos. Inspiración Biológica.
• Telescopios de rayos gamma.
Modelado Neuronal.
• Interferómetros de ondas gravitacionales. Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

26. Introducción a las
Desarrollo de Biochips. Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
• Circuito electrónico híbrido entre estructuras naturales y
artificiales.
• Se conoce en el mundo científico como NeuroChip o
microcircuito neuronal.
• Se utilizaron neuronas de caracol y chips de silicio. Contenido
• Se logró establecer conexiones artificiales entre dichos Redes Neuronales e IA.
elementos. Inspiración Biológica.
• Colocaron diminutos generadores entre las neuronas para
Modelado Neuronal.
crear cambios de voltaje para accionar un interruptor. Neurona Natural vs.
• Se abre el camino a la neurocomputación. Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

27. Introducción a las
Futuro de las Redes Neuronales Artificiales. Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
El futuro de la redes neuronales esta enmarcado en dos
grandes líneas de investigación:
• Identificación de características de los organismos vivos.
• Evolución, Computación Colectiva, Manejo del
Conocimiento. Contenido
• Computación Neuronal, Neurocomputación, Natural Redes Neuronales e IA.
Computing (SoftComputing). Inspiración Biológica.
Modelado Neuronal.
• Solución de la Escalabilidad del Aprendizaje. Neurona Natural vs.
• Cómo determinar parámetros erróneos en el Neurona Artificial
Neurona Artificial
aprendizaje? Arquitecturas Neuronales.
• Cómo aumentar la complejidad de los modelos Métodos de Aprendizaje
Implementación
neuronales con plataformas computacionales Ventajas
Áreas de Trabajo
existentes?
• Incorporación de conceptos fundamentales en el Implementación y
Aplicaciones
funcionamiento del cerebro. Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

28. Introducción a las
Bibliografía Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
ISAZI, P. Redes de Neuronas Artificiales.
Ed. Prentice Hall Latinoamérica, Primera Edición, México, 2.002
HILERA GONZÁLEZ, José Ramón; MARTÍNEZ, Víctor José.
Redes neuronales artificiales: fundamentos, modelos y Contenido
aplicaciones. España: Rama, 1995. 390 p. Redes Neuronales e IA.
Inspiración Biológica.
García, B. Patricio, Introducción a las Redes Neuronales y su
Aplicación a la Investigación en Astrofísica Universidad de Gran Modelado Neuronal.
Neurona Natural vs.
Canarias, España, 2009 Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía

29. Introducción a las
Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Muchas Gracias Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Ventajas del modelado
neuronal
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía