🖼️ 1. Redes Neuronales Convolucionales (CNNs)

🧠 ¿Qué son?

Las CNNs son redes neuronales diseñadas especialmente para trabajar con imágenes. A diferencia de las redes normales (densas), pueden detectar patrones espaciales como bordes, formas y texturas.

Es como tener ojos computacionales que aprenden a reconocer cosas viendo muchos ejemplos.

🧩 ¿Para qué sirven?

• Clasificación de imágenes (gato/perro)
• Detección de objetos (¡ese es un auto!)
• Reconocimiento facial
• Análisis médico con imágenes (radiografías)
• Visión para autos autónomos

🧱 ¿Cómo funcionan?

1. Capa convolucional: escanea la imagen con filtros pequeños (como lentes) que detectan patrones.
2. Capa de activación: usualmente ReLU, activa solo ciertas neuronas.
3. Capa de pooling: reduce tamaño y mantiene lo importante (ej: max pooling).
4. Capas densas: al final, hacen la predicción (como una red neuronal normal).

🎨 Visualmente:

Una imagen entra → filtros detectan patrones → se resumen → se clasifican
🖼️ → 🧲 (filtros) → 🔍 (patrones) → 🧠 (predicción)

🧑‍💻 Ejemplo rápido en Keras:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential([
    Conv2D(32, (3,3), activation='relu', input_shape=(64, 64, 3)),
    MaxPooling2D(pool_size=(2, 2)),
    Flatten(),
    Dense(64, activation='relu'),
    Dense(1, activation='sigmoid')  # para binario
])

🕒 2. Redes Recurrentes (RNN, LSTM, GRU)

🧠 ¿Qué son?

Las RNNs (Redes Neuronales Recurrentes) están hechas para trabajar con datos secuenciales, es decir, cuando el orden importa: texto, audio, series de tiempo, etc.

Piensa en ellas como neuronas que recuerdan lo que vieron antes para predecir lo que viene después.

📦 Usos comunes:

• Predicción de texto (autocompletar)
• Traducción automática
• Análisis de sentimientos
• Predicción de series temporales (clima, bolsa)
• Chatbots

🌀 ¿Cómo funcionan?

• Las RNN tradicionales repiten la misma neurona para cada paso de la secuencia.
• Pero tienen problemas con memoria a largo plazo, por eso nacieron:
  • 🧠 LSTM (Long Short-Term Memory): retienen información durante más pasos.
  • ⚙️ GRU (Gated Recurrent Unit): como LSTM, pero más simple.

🧑‍💻 Ejemplo de una RNN con Keras:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Embedding, LSTM, Dense

model = Sequential([
    Embedding(input_dim=10000, output_dim=128),
    LSTM(64),
    Dense(1, activation='sigmoid')
])

🤖 3. Transformers (BERT, GPT, etc.)

🧠 ¿Qué son?

Los Transformers revolucionaron el procesamiento del lenguaje natural (NLP). A diferencia de las RNNs, no procesan el texto paso a paso, sino que prestan atención a todas las palabras a la vez (mecanismo de attention).

Imagina que al leer una frase, prestas atención a todas las palabras clave al mismo tiempo. Así trabaja un Transformer.

📦 Usos:

• Traductores (Google Translate)
• Generadores de texto (ChatGPT 😄)
• Análisis de sentimientos
• Búsquedas inteligentes
• Resumir textos, responder preguntas, etc.

🔎 ¿Cómo funciona?

• Usa una estructura llamada attention para saber a qué partes del texto debe enfocarse.
• No depende del orden lineal como las RNN.
• Puede procesar frases muy largas eficientemente.
• Se entrena con muchísimos textos (pre-entrenamiento + ajuste fino).

🔧 Modelos famosos:

🧑‍💻 Ejemplo con Hugging Face (BERT para análisis de sentimientos):

from transformers import pipeline

# Modelo preentrenado
analizador = pipeline("sentiment-analysis")

resultado = analizador("Me encanta aprender machine learning")
print(resultado)

🧩 En resumen