Red Neuronal (NN)

Una red neuronal (NN) es un modelo computacional formado por nodos interconectados que procesa información imitando la estructura biológica del cerebro humano. imitando la estructura biológica del cerebro humano. Piedra angular de la moderna Inteligencia Artificial (IA), estas son capaces de aprender de los datos para reconocer patrones, classify información y predecir resultados. Aunque son un subconjunto del Aprendizaje Automático (AM), las redes neuronales se distinguen por su capacidad para modelar relaciones complejas y no lineales, lo que las convierte en el motor de tecnologías revolucionarias como la la IA generativa y los sistemas autónomos. Puede leer más sobre su inspiración biológica en esta sobre las redes neuronales de IBM.

Arquitectura de una red neuronal

La estructura de una red neuronal se compone de capas de nodos, a menudo denominadas neuronas artificiales. Estas capas de capas facilitan el flujo de datos de entrada a salida mediante una serie de transformaciones matemáticas.

• Capa de entrada: Es el punto de entrada en el que la red recibe los datos de datos de entrenamiento, como valores de píxeles de una imagen o características numéricas de un conjunto de datos.
• Capas ocultas: Situadas entre la entrada y la salida, estas capas realizan la mayor parte del cálculo. Cada neurona de una capa oculta aplica pesos y sesgos del modelo a la entrada que recibe. Para decidir si una neurona debe "dispararse" o transmitir una señal, se utiliza una función de activación (como la función de activación). función de activación,como ReLU o Sigmoide.
• Capa de salida: La última capa produce la predicción de la red, como una etiqueta de clasificación (por ejemplo, "gato" frente a "perro") o un valor continuo.

Para "aprender", la red utiliza un proceso llamado entrenamiento de modelos. Durante el entrenamiento, la red compara sus predicciones con las respuestas correctas reales función de pérdida. Un algoritmo conocido como retropropagación calcula el gradiente de error, y un algoritmo de optimización como descenso de gradiente estocástico (SGD) o Adam ajusta los pesos para minimizar los errores en múltiples épocas.

Redes neuronales frente a aprendizaje profundo

Es habitual confundir las redes neuronales con el Aprendizaje Profundo (AD). La principal diferencia radica en complejidad y profundidad. Una red neuronal "superficial" puede tener sólo una o dos capas ocultas. En cambio, el aprendizaje profundas" con muchas capas ocultas, lo que permite al modelo aprender características jerárquicas automáticamente. Para profundizar en esta distinción, explore esta explicación del aprendizaje profundo en MIT News. En la práctica, todos los modelos de aprendizaje profundo son redes neuronales, pero no todas las redes neuronales pueden considerarse aprendizaje profundo.

Aplicaciones en el mundo real

Las redes neuronales impulsan la innovación en prácticamente todos los sectores automatizando tareas que antes requerían inteligencia humana. inteligencia humana.

1. Visión por ordenador: En el campo de la visión por ordenador (CV), las redes especializadas denominadas redes neuronales convolucionales (CNN) para analizar datos visuales. Por ejemplo, Ultralytics YOLO11 utiliza una arquitectura CNN profunda para detección de objetos en tiempo real aplicaciones que van desde la aplicaciones que van desde la IA en agricultura seguridad en vehículos autónomos.
2. Procesamiento del lenguaje natural: Para tareas relacionadas con el texto y el habla, se utilizan arquitecturas como redes neuronales recurrentes (RNN) y los Transformadores. Estas redes servicios de traducción automática y chatbots y chatbots mediante la comprensión del contexto y la secuencia. Puede ver cómo estos modelos afectan a las industrias en este artículo sobre la IA en la sanidad, donde en la transcripción de notas médicas y el análisis de historiales de pacientes.

Ejemplo de aplicación

Los frameworks modernos facilitan el despliegue de redes neuronales. El siguiente código Python muestra cómo cargar una red neuronal red neuronal preentrenada (en concreto YOLO11) y ejecutar la inferencia en una imagen utilizando la función ultralytics paquete.

from ultralytics import YOLO

# Load a pretrained YOLO11 neural network model
model = YOLO("yolo11n.pt")

# Run inference on an image to detect objects
# The model processes the image through its layers to predict bounding boxes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

Herramientas y ecosistema

La construcción de redes neuronales requiere bibliotecas de software robustas. PyTorch y TensorFlow son los dos marcos de código abierto ofrecen un amplio soporte para el diseño de arquitecturas personalizadas y la utilización de la aceleración de la GPU para un entrenamiento más rápido. la aceleración deGPU para un entrenamiento más rápido. Para quienes buscan una experiencia más ágil, la plataformaUltralytics (que se lanzará por completo en 2026) proporciona un entorno completo para la gestión de conjuntos de datos, entrenar modelos como YOLO11 y gestionar la implantación. Para conocer el hardware que alimenta estas redes, consulte la guía deNVIDIA sobre GPU Computing.