Neural networks are computational methods inspired by biological neurons that learn patterns from data to improve climate models, analyze particle collisions, and study cellular behavior.Tarjeta tras tarjeta, león tras león, cebra tras cebra: miles de ejemplos pasan por la red. Cada capa de neuronas artificiales extrae características cada vez más abstractas: primero detecta bordes y líneas, luego los ensambla en partes del rostro, después en una imagen completa. La capa final emite una respuesta, casi como un niño que mira las orejas, los bigotes y la cola para decir «gato».
El concepto de neurona artificial se remonta al trabajo de Warren McCulloch y Walter Pitts (1943), quienes propusieron un modelo matemático de la neurona. En 1958, Frank Rosenblatt creó el perceptrón, la primera red neuronal entrenable. Sin embargo, tras las críticas de Marvin Minsky y Seymour Papert en 1969, el interés decayó. El renacimiento comenzó en los años 1980 con el desarrollo de redes multicapa y el algoritmo de retropropagación (David Rumelhart y otros). En los años 2000, la disponibilidad de grandes volúmenes de datos y la computación con GPU condujeron al aprendizaje profundo.
La señal de entrada pasa por las capas: cada neurona calcula la suma ponderada de las entradas, añade un sesgo y aplica una función de activación no lineal (ReLU, sigmoide, etc.). El entrenamiento minimiza la función de pérdida mediante el descenso del gradiente; los gradientes se calculan mediante retropropagación del error, desde la salida hasta la entrada, aplicando la regla de la cadena de derivadas.
Reconocimiento facial en fotos, asistentes de voz, predicción del tiempo.
En 2012, la red AlexNet superó por primera vez a los humanos en una competición de reconocimiento de imágenes; entonces quedó claro: había comenzado la era del aprendizaje profundo.




















