Your SlideShare is downloading. ×
  • Like
Introducción a las Redes Neuronales Artificiales
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Now you can save presentations on your phone or tablet

Available for both IPhone and Android

Text the download link to your phone

Standard text messaging rates apply

Introducción a las Redes Neuronales Artificiales

  • 5,838 views
Published

Las Redes Neuronales aparecieron de la mano de la Inteligencia …

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.

Published in Technology , Business
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
No Downloads

Views

Total Views
5,838
On SlideShare
0
From Embeds
0
Number of Embeds
6

Actions

Shares
Downloads
297
Comments
0
Likes
5

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. Introducción a las Redes Neuronales y sus AplicacionesIntroducción 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 lasRedes 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 lasInspiración 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 lasInspiración 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 lasInspiración 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 lasInspiración 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 lasInspiración 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 lasModelado 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 lasModelado 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 lasNeurona 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 lasNeurona 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 lasNeurona 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 lasArquitecturas 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 lasMétodos 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 lasImplementación 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 lasVentajas 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 lasÁreas 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 AprendizajeSicología 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 lasAplicaciones 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 lasAplicaciones 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 lasProblemas 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 lasProblemas 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 lasProblemas 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 lasProblemas 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 lasProblemas 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 lasProblemas 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 lasDesarrollo 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 lasFuturo 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 lasBibliografía Redes Neuronales y sus Aplicaciones Alejandro Peña P.ISAZI, P. Redes de Neuronas Artificiales.Ed. Prentice Hall Latinoamérica, Primera Edición, México, 2.002HILERA GONZÁLEZ, José Ramón; MARTÍNEZ, Víctor José.Redes neuronales artificiales: fundamentos, modelos y Contenidoaplicaciones. España: Rama, 1995. 390 p. Redes Neuronales e IA. Inspiración Biológica.García, B. Patricio, Introducción a las Redes Neuronales y suAplicación 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