Redes neuronales: definición e importancia | SAS

2025.09.25 10:58


Ir al contenido principal

Software Aprender Soporte Socios Acerca de nosotros   Prueba SAS Software Plataforma SAS Viya Plataforma SAS Viya Conozca SAS Viya Muévase a SAS Viya Soluciones Soluciones Inteligencia Artificial (IA) Fraude IoT Marketing Gestión de riesgos Todos los productos & Soluciones Industrias Industrias Banca Administración pública Seguros Ciencias de la vida Retail & Bienes de consumo Todas las industrias Explore Explore Probar / Comprar ¿Por qué SAS? Casos de éxito Socios Soluciones de IA generativa Consultoría Aprende SAS Formación Formación Panorama general Formar a mi equipo Catálogo de cursos Entrenamiento gratuito Libros Mi formación Académico Académico Programas Académicos Software Académico Gratuito Profesores Estudiantes Certificación Certificación Elija una credencial ¿Por qué obtener la certificación? Preparación de exámenes Descuentos Mi certificación Explore Explore Comunidades Eventos & Webinars Eventos Pregunte al experto Todos los seminarios web Tutoriales en vídeo Canal de YouTube Soporte Comunidades Comunidades SAS Viya SAS Programming Procedimientos estadísticos Nuevos usuarios de SAS Administradores Todas las comunidades Documentación Documentación Por producto Instalación y configuración Administración de SAS Viya Programación de SAS Viya Requisitos del sistema Toda la documentación Soporte & Servicios Soporte & Servicios Descargas Base de conocimientos Kit de inicio Soporte por producto Servicios de apoyo Todo el soporte & servicios Explore Explore Blogs Grupos de usuarios Webinars Tutoriales en vídeo Canal de YouTube Mi SAS Socios Panorama general Panorama general Programa de socios Buscar un socio Iniciar sesión en PartnerNet Acerca de nosotros Compañía Compañía Panorama general Informe Anual Liderazgo Visión y Misión Ubicación de las oficinas Oportunidades profesionales Oportunidades profesionales Panorama general Cultura Prácticas Profesionales Buscar Empleo Noticias & Eventos Noticias & Eventos Sala de prensa Newsletters Blogs Eventos Explore Explore Marca Social Centro de confianza Contáctenos Plataforma SAS Viya Conozca SAS Viya Muévase a SAS Viya Soluciones Inteligencia Artificial (IA) Fraude IoT Marketing Gestión de riesgos Todos los productos & Soluciones Industrias Banca Administración pública Seguros Ciencias de la vida Retail & Bienes de consumo Todas las industrias Explore Probar / Comprar ¿Por qué SAS? Casos de éxito Socios Soluciones de IA generativa Consultoría

¿Por qué aprender SAS?

La demanda de conocimientos de SAS es cada vez mayor. Prospere en su carrera y forme a su equipo en competencias muy solicitadas

¿Por qué aprender SAS?

Formación Panorama general Formar a mi equipo Catálogo de cursos Entrenamiento gratuito Libros Mi formación Académico Programas Académicos Software Académico Gratuito Profesores Estudiantes Certificación Elija una credencial ¿Por qué obtener la certificación? Preparación de exámenes Descuentos Mi certificación Explore Comunidades Eventos & Webinars Eventos Pregunte al experto Todos los seminarios web Tutoriales en vídeo Canal de YouTube Comunidades SAS Viya SAS Programming Procedimientos estadísticos Nuevos usuarios de SAS Administradores Todas las comunidades Documentación Por producto Instalación y configuración Administración de SAS Viya Programación de SAS Viya Requisitos del sistema Toda la documentación Soporte & Servicios Descargas Base de conocimientos Kit de inicio Soporte por producto Servicios de apoyo Todo el soporte & servicios Explore Blogs Grupos de usuarios Webinars Tutoriales en vídeo Canal de YouTube Mi SAS Panorama general Programa de socios Buscar un socio Iniciar sesión en PartnerNet

¿Por qué SAS?

Descubra por qué SAS es la plataforma analítica más confiable del mundo y por qué los analistas, clientes y expertos del sector aman SAS.

Aprenda más acerca de SAS

Compañía Panorama general Informe Anual Liderazgo Visión y Misión Ubicación de las oficinas Oportunidades profesionales Panorama general Cultura Prácticas Profesionales Buscar Empleo Noticias & Eventos Sala de prensa Newsletters Blogs Eventos Explore Marca Social Centro de confianza Contáctenos sas.com sas.com support.sas.com documentation.sas.com blogs.sas.com communities.sas.com developer.sas.com  

Selecciona tu región

Visite la web corporativa de Cary, NC, EE.UU.

América

Europa

Oriente Medio & África

Asia Pacífico

Consulte nuestra lista de contactos en todo el mundo para encontrar su región

América

Brasil Canada (English) Canada (Français) Colombia México United States

Europa

Belgium Česká Republika Danmark Deutschland España France Iceland Ireland Italia Nederland Norge Österreich Polska Portugal România Россия Schweiz (Deutsch) Suisse (Français) Suomi Sverige Türkiye Україна United Kingdom

Oriente Medio & África

Middle East Saudi Arabia South Africa

Asia Pacífico

Australia 中国 (简体中文) Hong Kong India 日本 대한민국 Malaysia New Zealand Philippines Singapore 台灣 (繁體中文) Thailand (English) ประเทศไทย (ภาษาไทย) Buscar Sitios en todo el mundo Contáctenos Sitios SAS Iniciar sesión

¡Hola !

Cerrar sesión Iniciar sesión

Crear perfil

Mi SAS

Accede a Mi SAS, a pruebas, a comunidades y a mucho más.

Cerrar sesión

Editar Perfil

Mi SAS

Accede a Mi SAS, a pruebas, a comunidades y a mucho más.

Sitios SAS

sas.com Soporte Blogs Comunidades Desarrollador Curiosidad Videos Aprender Marca PartnerNet Mercancía SAS Insights Analytics Insights Redes neuronales Historia Importancia Quién la utiliza Funcionamiento Siguientes pasos Más información

Redes neuronales artificiales

Definición e importancia

Las redes neuronales son sistemas informáticos con nodos interconectados que funcionan de forma muy parecida a las neuronas del cerebro humano. Mediante algoritmos , pueden reconocer patrones ocultos y correlaciones en los datos planos, agruparlos y clasificarlos, y  –con el tiempo – aprender y mejorar continuamente.

Historia      Importancia      Quién la utiliza      Funcionamiento      Siguientes pasos

Historia de las redes neuronales

La primera red neuronal fue concebida por Warren McCulloch y Walter Pitts en 1943. Ambos escribieron un artículo fundamental sobre cómo podrían funcionar las neuronas y modelaron sus ideas creando una red neuronal sencilla mediante circuitos eléctricos.

Este modelo innovador preparó el camino para la investigación en redes neuronales en dos ámbitos:


Procesos biológicos en el cerebro.


Aplicación de las redes neuronales en la inteligencia artificial (IA).

La IA se aceleró rápidamente, y en 1975, Kunihiko Fukushima desarrolló la primera red neuronal multicapa de verdad.

El objetivo original de las redes neuronales era crear un sistema informático capaz de resolver problemas como un cerebro humano. Sin embargo, con el tiempo, los investigadores pasaron a centrarse en el uso de redes neuronales para tareas específicas, lo que les llevó a desviarse de un enfoque estrictamente biológico. Desde entonces, las redes neuronales han servido para diversas tareas, como la visión por ordenador, el reconocimiento del habla, la traducción automática, el filtrado de redes sociales, los juegos de mesa y videojuegos o el diagnóstico médico.

A medida que el tamaño de los datos estructurados y no estructurados aumentaba hasta niveles de big data, se desarrollaron sistemas de deep learning, que son esencialmente redes neuronales con muchas capas. El deep learning permite capturar y extraer cada vez más datos, incluidos los desestructurados.

¿Por qué son importantes las redes neuronales?

Las redes neuronales también están perfectamente preparadas para ayudar a las personas a resolver problemas complejos en situaciones de la vida real. Pueden aprender y modelar relaciones entre entradas y salidas no lineales y complejas; hacer generalizaciones e inferencias; revelar relaciones ocultas, patrones y predicciones; y modelar datos altamente volátiles (como los datos de series temporales financieras) y las variaciones necesarias para predecir sucesos poco frecuentes (como la detección de fraudes ). Como resultado, las redes neuronales pueden mejorar los procesos de decisión en áreas como:

Detección de fraudes con tarjetas de crédito y Medicare. Optimización de la logística de las redes de transporte. Reconocimiento de caracteres y voz, también conocido como procesamiento del lenguaje natural. Diagnóstico médico y de enfermedades. Marketing objetivo. Predicciones financieras sobre cotizaciones bursátiles, divisas, opciones, futuros, quiebras y calificaciones de bonos. Sistemas de control robótico. Pronóstico de la carga eléctrica y de la demanda de energía. Control de procesos y calidad. Identificación de compuestos químicos. Evaluación de ecosistemas. Visión para interpretar fotos y vídeos sin procesar (por ejemplo, en imágenes médicas y robótica y reconocimiento facial). Nuestro primer objetivo para estas redes neuronales, o modelos, es alcanzar una precisión de nivel humano. Hasta que llegas a ese nivel, siempre sabes que puedes hacerlo mejor. Ivan Gomez Data Scientist and Consultant Zencos

Tipos de redes neuronales

Hay distintos tipos de redes neuronales profundas, y cada una tiene ventajas e inconvenientes, según el uso. Algunos ejemplos son:

Las redes neuronales convolucionales (CNN, por sus siglas en inglés) contienen cinco tipos de capas: de entrada, de convolución, de agrupamiento, totalmente conectadas y de salida. Cada capa tiene un propósito específico, como resumir, conectar o activar. Las redes neuronales convolucionales han popularizado la clasificación de imágenes y la detección de objetos. Sin embargo, las CNN también se han aplicado a otras áreas, como el procesamiento del lenguaje natural y la predicción. Las redes neuronales recurrentes (RNN, por sus siglas en inglés) utilizan información secuencial, como datos con marca de tiempo de un dispositivo sensor o una frase hablada, compuesta por una secuencia de términos. A diferencia de las redes neuronales tradicionales, todas las entradas de una red neuronal recurrente no son independientes entre sí, y la salida de cada elemento depende de los cálculos de sus elementos precedentes. Las RNN se utilizan en aplicaciones de previsión y series temporales, análisis de sentimiento y otras aplicaciones textuales. Redes neuronales prealimentadas , en las que cada perceptrón de una capa está conectado a todos los perceptrones de la capa siguiente. La información solo se transmite de una capa a la siguiente en la dirección de avance. No hay bucles de retroalimentación. Las redes neuronales autocodificadoras (Autoencoders) se utilizan para crear abstracciones denominadas codificadores, creadas a partir de un conjunto dado de entradas. Aunque son similares a las redes neuronales más tradicionales, los autocodificadores tratan de modelar las propias entradas, por lo que el método se considera no supervisado. La premisa de los autocodificadores es desensibilizar lo irrelevante y sensibilizar lo relevante. A medida que se añaden capas, se formulan más abstracciones en las capas superiores (capas más cercanas al punto en el que se introduce una capa decodificadora). Estas abstracciones pueden utilizarse por clasificadores lineales o no lineales.

Las redes neuronales en el mundo actual

Las redes neuronales están cambiando la forma en que las personas y las organizaciones interactúan con los sistemas, resuelven problemas, toman mejores decisiones y hacen mejores predicciones. Más información sobre el impacto de las redes neuronales.

Redes neuronales para la salud de las manadas de animales

Un apasionado científico de datos utiliza las redes neuronales para detectar la tuberculosis en elefantes. Descubra la forma en la que su investigación puede ayudar a prevenir la propagación de la tuberculosis.

Lea la historia

Aprenda a modelar redes neuronales

Aprenda a elegir una arquitectura de red neuronal adecuada, a determinar el método de entrenamiento adecuado, a implementar modelos de red neuronal en un entorno informático distribuido y a construir redes neuronales personalizadas mediante el procedimiento NEURAL.

Inscríbase en el curso

Cómo hacer deep learning con SAS ®

¿Necesita una visión más técnica de las técnicas y aplicaciones del aprendizaje profundo? Lea este artículo y descubra cómo SAS facilita la creación de modelos de redes neuronales profundas.

Descargue el artículo

¿Quién usa las redes neuronales?

Los sistemas de deep learning -y, por tanto, las redes neuronales que los posibilitan- se utilizan estratégicamente en muchas industrias y líneas de negocio.

Ciencias de la vida

Las organizaciones sanitarias y de ciencias de la vida utilizan redes neuronales para realizar diagnósticos predictivos, obtener imágenes biomédicas y vigilar la salud.

Más soluciones para las ciencias de la vida

Manufactura

Las empresas energéticas y de fabricación utilizan redes neuronales para optimizar las cadenas de suministro, automatizar la detección de defectos y prever las necesidades energéticas.

Analítica para manufactura

Banca

Los bancos utilizan redes neuronales para detectar fraudes, realizar análisis crediticios y automatizar los servicios de asesoramiento financiero.

Analítica para banca

Administración pública

Las organizaciones del sector público utilizan redes neuronales para ciudades inteligentes, inteligencia de seguridad y reconocimiento facial.

Soluciones para el sector público

Retail y bienes de consumo

Los sectores minorista y de bienes de consumo utilizan redes neuronales para impulsar chatbots conversacionales, mejorar y profundizar en la customer intelligence y realizar análisis de redes.

Soluciones para el Retail

Más información sobre los industrias que utilizan esta tecnología

Seleccione la industria Banca Mercados de capital Educación Atención a la salud Hotelería Seguros Ciencias de la vida Manufactura Administración pública Retail Empresas en Crecimiento Analítica deportiva Telecomunicaciones, medios de comunicación y tecnología Viajes y transporte Servicios públicos Las redes neuronales tienen la capacidad de identificar anomalías. En el futuro, podremos utilizarlas para dar a los médicos una segunda opinión: por ejemplo, si existe un cáncer o algún problema desconocido. Y podremos ofrecer estas segundas opiniones con mayor rapidez y precisión. Leigh Ann Herhold Data Scientist and Consultant Zencos

Creación de un modelo de red neuronal

En este vídeo aprenderá a utilizar SAS ® Visual Data Mining and Machine Learning en el contexto de las redes neuronales. Este ejemplo examina las motivaciones de los visitantes de un sitio web y lo que les lleva a descargar un documento del sitio de una empresa de TI.

Más sobre SAS ® Viya ® x

Cómo funcionan las redes neuronales

Una red neuronal sencilla incluye una capa de entrada, una capa de salida (u objetivo) y, entre ambas, una capa oculta. Las capas están conectadas mediante nodos, y estas conexiones forman una red –la red neuronal – de nodos interconectados.

Un nodo sigue el modelo de una neurona del cerebro humano. Con un comportamiento similar al de las neuronas, los nodos se activan cuando hay estímulos o entradas suficientes. Esta activación se propaga por toda la red, creando una respuesta a los estímulos (salida). Las conexiones entre estas neuronas artificiales actúan como simples sinapsis que permiten transmitir señales de una a otra. Las señales atraviesan las capas mientras viajan desde la primera entrada hasta la última capa de salida, y se procesan por el camino.

Cuando se les plantea una petición o un problema que resolver, las neuronas realizan cálculos matemáticos para averiguar si hay suficiente información para transmitirla a la neurona siguiente. Dicho de forma más sencilla, leen todos los datos y averiguan dónde existen las relaciones más fuertes. En el tipo más sencillo de red, las entradas de datos recibidas se suman y, si la suma es superior a un determinado valor umbral, la neurona se dispara y activa las neuronas a las que está conectada.

A medida que aumenta el número de capas ocultas de una red neuronal, se forman redes neuronales profundas. Los modelos de deep learning llevan las redes neuronales al siguiente nivel. Utilizando estas capas, los científicos de datos pueden construir sus propias redes de deep learning que permiten el machine learning , que puede entrenar a un ordenador para emular con precisión tareas humanas, como reconocer el habla, identificar imágenes o hacer predicciones. Y lo que es igual de importante, la computadora puede aprender por sí solo reconociendo patrones en muchas capas de procesamiento.

Pongamos en práctica esta definición. Los datos se introducen en una red neuronal a través de la capa de entrada, que se comunica con las capas ocultas. El procesamiento tiene lugar en las capas ocultas a través de un sistema de conexiones ponderadas. Los nodos de la capa oculta combinan los datos de la capa de entrada con un conjunto de coeficientes y asignan los pesos adecuados a las entradas. Seguidamente, se suman estos productos. La suma pasa por la función de activación de un nodo, que determina en qué medida una señal debe avanzar por la red para afectar a la salida final. Por último, las capas ocultas enlazan con la capa de salida, donde se obtienen los resultados.

Siguientes pasos

Vea el papel que desempeñan las redes neuronales en la inteligencia artificial.

SAS para soluciones de IA

Producto destacado para redes neuronales

SAS ® Visual Data Mining and Machine Learning

Apoye el proceso integral de minería de datos y machine learning con una interfaz completa y visual (y de programación) que gestiona todas las tareas del ciclo de vida analítico.

Prueba gratuita

Lecturas recomendadas

Artículo 4 strategies that will change your approach to fraud detection As fraudulent activity grows and fighting fraud becomes more costly, financial institutions are turning to anti-fraud technology to build better arsenals for fraud detection. Discover four ways to improve your organization's risk posture. Artículo Analytics: A must-have tool for leading the fight on prescription and illicit drug addiction States and MFCUs now have the analytics tools they need to change the trajectory of the opioid crisis by analyzing data and predicting trouble spots – whether in patients, prescribers, distributors or manufacturers. The OIG Toolkit with free SAS® programming code makes that possible. Artículo An executive’s guide to cognitive computing Cognitive computing is the latest buzzworthy term that everyone seems to be talking about in the technology industry. But can machines really think?

Conéctese con el SAS y vea lo que podemos hacer por usted.

Solicitar versión de prueba

Solicitar demostración

Solicitar precio

Contáctenos

Inicio SAS Insights Analytics Insights Redes neuronales: definición e importancia Inicio SAS Insights Analytics Insights Redes neuronales: definición e importancia

Las soluciones de datos e IA de SAS proporcionan a nuestros clientes globales conocimientos en los que pueden confiar en los momentos que importan, inspirando nuevas y audaces innovaciones en todas las industrias.

Contáctenos

Síganos en

Facebook Twitter LinkedIn YouTube RSS

Explore

Accesibilidad Certificación Compañía Comunidades Desarrolladores Para los educadores Documentación Estudiantes Eventos Formación Industrias Internet de las Cosas Mi SAS Oportunidades profesionales Probar / Comprar Productos Sala de prensa SAS Viya Soluciones Soporte & Servicios Transformación digital Tutoriales en vídeo ¿Por qué SAS?

¿Qué es

¿Qué es

Analítica Ciencia de datos Cloud Computing Inteligencia artificial Declaración de privacidad Términos de uso Centro de confianza ©2025 SAS Institute Inc. Todos los derechos reservados. Contáctenos Compartir Suscribirse

Compartir
Comparte con amigos y compañeros. 

Back to Top

Menu

Last Photo