Redes Neuronales

Redes Neuronales

0. Concepto

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

Ejemplos de aplicación de Redes Neuronales son:
1. La recomendación de contenido de Netflix.
2. El feed de Instagram o TikTok.
3. Determinar el número o letra escrito a mano.

1. Instalar paquetes y llamar librerías

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

2. Alimentar con ejemplos

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

3. Generar la Red Neuronal

#regresion. Variable que quieres predecir (estatus)
#despues van las variables predictoras, . significa todas las variables (columnas de la tabla)
#otyra opcion df$examen + df$proyecto 
red_neuronal <- neuralnet(estatus~., data=df)

#siempre va best
plot(red_neuronal, rep = "best")

4. Predecir con la Red Neuronal

prueba_examen <- c(30,40,85)
prueba_proyecto <- c(85,50,40)
prueba <-data.frame(prueba_examen,prueba_proyecto)
# compute para hacer prediccion. necesitas red y tabla de prueba
prediccion <- compute(red_neuronal, prueba)
#net result es lo que necesitas evaluar
prediccion$net.result

##             [,1]
## [1,]  1.01326508
## [2,]  0.01666515
## [3,] -0.01395842

probabilidad <- prediccion$net.result
#aceptar o no la hipotesis nula
#<0.5 no pasa. se rechaza la hipotesis nula
resultado <- ifelse(probabilidad>0.5,1,0)
resultado

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

5. Conclusion

Las redes neuronales permiten que los programas reconozcan patrones y resuelvan problemas comunes en IA y aprendizaje automatico.