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

Ejemplos practicos de aplicación de redes neuronales son:

La recomendación de contenido de Netflix El feed de Instagram o Tiktok *Determinar el numero o letra escrita a mano

Instalar paquetes y llamar librerías 

# Manipulación de datos
library(tidyverse)

# OCR
library(tesseract)

# PNG
library(magick)

# Office (Word)
library(officer)

# PDF
library(pdftools)

# Funciones map
library(purrr)

# Análisis de sentimientos
library(syuzhet)

# Minería de texto
library(tm)

# Nube de palabras
library(wordcloud)

# Paleta de colores
library(RColorBrewer)

# Neuralnet
library(neuralnet)

Instalar paquetes y llamar librerías 

# Neuralnet
library(neuralnet)

Alimentar conn 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)

Generar red neuronal 

red_neuronal <- neuralnet(estatus ~ ., data = df, hidden = 2)
plot(red_neuronal, rep = "best")

Predecir con la red neuronal 

# Predecir con la red neuronal
prueba <- data.frame(examen = c(30,40,85),
                     proyecto = c(85,50,40))

prediccion <- compute(red_neuronal, prueba)

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

print(probabilidad)  # valores continuos
##             [,1]
## [1,]  0.98016401
## [2,]  0.09627896
## [3,] -0.06700631
print(resultado)     # clasificados (0/1)
##      [,1]
## [1,]    1
## [2,]    0
## [3,]    0