Redes Neuronales

Introducción

Una Red Neuronal Aritificial (ANN) modela la relación entre un conjunto de entradas y una salida, resolviendo un problema de aprendizaje.

Algunos ejemplos de ANN son:
* Recomendaciones de contenido de Netflix.
* El feed de Instagram.
* Determinar el número escrito a mano.

Ejercicio 1. ¿Pasé la materia?

1. Instalar paquetes y llamar librerias

#install.packages("neuralnet")
library(neuralnet)

2. Obtener datos

examen <- c(20,10,30,20,80,30)
proyecto <- c(90,20,40,50,50,80)
estatus <- c(1,0,0,0,0,1)
df1 <- data.frame(examen, proyecto, estatus)

3. Generar la red neuronal

rn1 <- neuralnet(estatus ~., data=df1)
plot(rn1, rep="best")

4. Predicciones

prueba_ex <- c(30, 40, 85)
prueba_pro <- c(85,50,40)
prueba1 <- data.frame(prueba_ex, prueba_pro)
prediccion <- neuralnet::compute(rn1, prueba1)
prediccion$net.result

##             [,1]
## [1,]  0.96060798
## [2,]  0.11090931
## [3,] -0.06108125

probabilidad <- prediccion$net.result
resultado <- ifelse(probabilidad>0.5, 1,0)
resultado

##      [,1]
## [1,]    1
## [2,]    0
## [3,]    0

Ejercicio 2. Cáncer de Máma

df2 <- read.csv("/Users/lishdz/Downloads/train.csv")
df2$diagnosis <- ifelse(df2$diagnosis == "M", 1,0)

rn2 <- neuralnet(diagnosis ~ ., data=df2)
plot(rn2, rep="best")

prueba2 <- read.csv("/Users/lishdz/Downloads/prueba.csv")
prediccion2 <- neuralnet::compute(rn2, prueba2)
prediccion2$net.result

##           [,1]
## [1,] 0.3723439
## [2,] 0.3723439
## [3,] 0.3723439
## [4,] 0.3723439
## [5,] 0.3723439

probabilidad2 <- prediccion2$net.result
resultado2 <- ifelse(probabilidad2>0.5, 1,0)
resultado2

##      [,1]
## [1,]    0
## [2,]    0
## [3,]    0
## [4,]    0
## [5,]    0

Conclusión

En resumen, el uso de redes neuronales para identificar casos de cáncer de mama es un avance significativo en la medicina moderna. Estas redes ofrecen una herramienta poderosa para analizar datos médicos complejos y reconocer patrones que pueden indicar la presencia de la enfermedad. Su capacidad para detectar incluso pequeñas anomalías en las imágenes de mamografías puede mejorar significativamente las tasas de detección temprana, lo que a su vez puede llevar a un tratamiento más efectivo y mejores resultados para los pacientes.