Las redes neuronales computacionales tienen su origen en algoritmos que intentaron imitar el cerebro y se utilizaron por primera vez en los años 1980 y principios de los 1990. Tuvieron un resurgimiento alrededor de 2005 y fueron introducidas como “Deep Learning”. Hoy, el aprendizaje automático usa redes neuronales en todo, desde el cambio climático hasta la publicidad en línea, basándose en un modelo matemático simplificado de una neurona.
"Una red neuronal artificial (ANNs), también abreviada como red neuronal (NN), se basa en una colección de unidades o nodos conectados llamados neuronas artificiales, que modelan de manera aproximada las neuronas en un cerebro biológico. Cada conexión, como las sinapsis en un cerebro biológico, puede transmitir una señal a otras neuronas. Una neurona artificial recibe señales, luego las procesa y puede enviar señales a las neuronas conectadas a ella. La “señal” en una conexión es un número real, y la salida de cada neurona se calcula mediante alguna función no lineal de la suma de sus entradas. Las conexiones se llaman bordes (*edges*). Las neuronas y los bordes generalmente tienen un peso que se ajusta conforme avanza el aprendizaje. El peso incrementa o disminuye la fuerza de la señal en una conexión. Las neuronas pueden tener un umbral, de modo que solo se envía una señal si la señal agregada supera dicho umbral.
Normalmente, las neuronas se agrupan en capas. Las distintas capas pueden realizar diferentes transformaciones sobre sus entradas. Las señales viajan desde la primera capa (la capa de entrada) hasta la última capa (la capa de salida), posiblemente después de atravesar varias capas múltiples veces.
Una red se denomina típicamente red neuronal profunda si tiene al menos 2 capas ocultas."[1]
[1] Leer más en Wikipedia.