Redes Neuronales Artificiales (ANN – Artificial Neural Networks)

🧠 ¿Qué es una Red Neuronal?

Una Red Neuronal es un algoritmo inspirado en cómo funciona el cerebro. Está formada por neuronas artificiales conectadas entre sí en capas. Cada neurona toma decisiones sencillas, pero al trabajar juntas pueden aprender patrones complejos.

Es como un equipo: cada miembro (neurona) hace una tarea sencilla, pero juntas hacen cosas impresionantes como reconocer imágenes, traducir idiomas o entender voz.

🏗️ ¿Cómo está construida?

Una red neuronal básica tiene:

• Capa de entrada: recibe los datos (edad, ingreso, etc.).
• Capas ocultas: transforman y aprenden patrones. Puede haber muchas.
• Capa de salida: da la predicción final (ej: “compra” o “no compra”).

Cada neurona tiene:

• Pesos (valores que indican importancia de las entradas).
• Función de activación (decide si «dispara» o no la neurona, ej: sigmoid, relu, etc.).

🔁 ¿Cómo aprende?

1. Recibe datos de entrada.
2. Calcula una salida (predicción).
3. Compara con el resultado real (error).
4. Ajusta los pesos usando un proceso llamado backpropagation.
5. Repite este ciclo miles de veces → ¡aprende!

🧰 ¿Qué puede hacer una red neuronal?

✅ Clasificación binaria o múltiple
✅ Regresión (predecir valores)
✅ Detección de fraude
✅ Reconocimiento de voz o imágenes
✅ Traducción automática
✅ Análisis de sentimientos

📉 ¿Cuándo usarla?

• Cuando tienes muchos datos.
• Cuando otros modelos más simples no funcionan bien.
• Cuando el problema es complejo y no lineal.

⚠️ Desventajas

❌ Más difícil de interpretar
❌ Necesita mucho procesamiento si es muy grande
❌ Puede sobreentrenarse si no se regula
❌ No siempre es la mejor opción para problemas simples

🧑‍💻 Código simple de Red Neuronal en Python (con Keras)

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# Dataset de ejemplo
data = pd.DataFrame({
    'edad': [25, 45, 35, 33, 52, 23, 41, 38],
    'ingresos': [50000, 80000, 60000, 58000, 120000, 45000, 70000, 64000],
    'compra': [0, 1, 0, 0, 1, 0, 1, 1]
})

X = data[['edad', 'ingresos']]
y = data['compra']

# Escalamos los datos
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# Dividir datos
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.25, random_state=42)

# Crear modelo
model = Sequential()
model.add(Dense(8, input_dim=2, activation='relu'))   # capa oculta
model.add(Dense(1, activation='sigmoid'))             # capa de salida

# Compilar y entrenar
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=100, verbose=0)

# Evaluar
loss, accuracy = model.evaluate(X_test, y_test)
print("Precisión:", accuracy)

🧩 En resumen