Redes
neuronales
artificiales:
una
medición
de
aprendizajes
de
pronósticos
como
demanda
potencial
Resumen:
Las
redes
neuronales
en
la
actualidad
se
han
constituido
una
herramienta
tecnológica
muy
importante
debido
a
su
contribución
en
el
desarrollo
de
problemas
relacionados
con
los
aprendizajes
de
pronósticos
en
la
planificación
de
la
producción
para
cumplir
la
demanda
potencial.
El
objetivo
de
la
investigación
consiste
en
aplicar
las
redes
neuronales
artificiales
para
medir
el
aprendizaje
profundo
en
pronósticos.
El
estudio
es
cuantitativo
de
diseño
preexperimental.
Se
aplicó
una
prueba
con
pres
test
y
pos
t
e
s
t
s
o
b
r
e
l
e
n
g
u
a
j
e
d
e
p
r
o
g
r
a
m
a
c
i
ó
n
V
i
s
u
a
l
N
e
t
d
e
r
e
d
n
e
u
r
o
n
a
l
p
a
r
a
c
a
d
a
t
i
p
o
d
e
a
p
r
e
n
d
i
z
a
j
e
p
r
o
g
r
a
m
a
d
o
.
Los
resultados
basados
en
los
promedios
respecto
al
aprendizaje
conceptual
de
pronóstico
y
el
método
de
red
neuronal
fueron
sustanciales,
mientras
con
el
aprendizaje
automático
y
profundo
contribuyeron
al
desarrollo
del
problema,
en
cuanto
al
aprendizaje
profundo
de
las
conductas
de
los
alumnos
es
importante
y
los
resultados
de
la
aplicación
de
pronósticos
ayudaron
a
los
cambios
de
la
red
neuronal
en
adquirir
la
capacidad
de
aprender
funciones
más
complejas.
Concluyendo
que
las
redes
neuronales
artificiales
en
el
aprendizaje
profundo
de
pronóstico
mejoran
sustancialmente
los
aprendizajes
en
conceptos,
procedimientos
y
conductas
las
cuales
con
llevan
a
la
empresa
a
minimizar
los
costos
e
incrementar
utilidades
por
diversos
conceptos.
Palabras
clave:
Redes
neuronales
artificiales,
aprendizaje
de
pronósticos,
planificación,
producción.
ISSN-E:
2542-3401,
ISSN-P:
1316-4821
Universidad,
Ciencia
y
Tecnología,
Vol.
27,
Núm.
118,
(pp.
51-60)
Castañeda S.
et al.
Redes neuronales artificiales: una medición de aprendizajes de pronósticos como demanda potencial
Willy
Alex
Castañeda
Sánchez
https://orcid.org/0000-0002-4421-4778
wcastaneda@ucv.edu.pe
Universidad
César
Vallejo
Trujillo,
Perú
Abstract.-
Neural
networks
today
have
become
an
essential
technological
tool
due
to
their
contribution
to
developing
problems
related
to
forecasting
learning
in
production
planning
to
meet
potential
demand.
The
research
aims
to
apply
artificial
neural
networks
to
measure
a
deep
understanding
of
forecasts.
The
study
is
quantitative
with
a
pre-experimental
design.
A
test
with
pre-test
and
post-test
was
used
for
the
Visual
Net
neural
network
programming
language
for
each
type
of
programmed
learning.
The
results
based
on
the
averages
regarding
the
predictive
conceptual
understanding
and
the
neural
network
method
were
substantial.
In
contrast,
automatic
and
deep
learning
contributed
to
the
development
of
the
problem.
In
terms
of
a
deep
understanding
of
the
student's
behaviors
is
essential.
The
results
of
the
application
of
forecasts
helped
the
changes
of
the
neural
network
in
acquiring
the
ability
to
learn
more
complex
functions
and
concluding
that
artificial
neural
networks
in
deep
forecasting
learning
substantially
improve
learning
in
concepts,
procedures,
and
behaviors
which
leads
the
company
to
minimize
costs
and
increase
profits
for
various
ideas.
Keywords:
Artificial
neural
networks,
forecast
learning,
planning,
production.
Artificial
neural
networks:
a
measurement
of
forecast
learnings
as
potential
demand
51
Recibido
(30/06/2022),
Aceptado
(11/12/2022)
B
e
n
j
a
m
í
n
R
o
l
d
a
n
P
o
l
o
E
s
c
o
b
a
r
https://orcid.org/0000-0001-5056-9957
B
e
m
j
a
m
i
n
.
p
o
l
o
@
u
n
t
r
m
.
e
d
u
.
p
e
Universidad
Toribio
Rodríguez
de
Mendoza
Amazonas,
Perú
Fernando
Vega
Huincho
https://orcid.org/0000-0003-0320-5258
fvegah@ucv.edu.pe
Universidad
César
Vallejo
Trujillo,
Perú
https://doi.org/10.47460/uct.v27i118.686
I. INTRODUCCIÓN
Los
aprendizajes
de
pronósticos
son
fundamentales
en
la
planificación
de
la
producción
porque
una
de
sus
finalidades
es
cumplir
la
demanda
potencial.
Al
final
de
cada
año
las
empresas
planifican
para
la
producción
de
los
próximos
años.
Para
ello
se
requiere
saber
la
cantidad
de
productos
a
producir,
y
las
empresas
realizan
modelos
de
pronósticos,
para
ello
se
aplicaron
las
redes
neuronales
como
máquina
de
aprendizaje.
Estos
modelos
imitan
el
aprendizaje
tal
como
lo
hacen
las
neuronas
biológicas
humanas
estructuralmente
se
c
o
m
p
o
n
e
n
d
e
c
a
p
a
s
d
e
n
o
d
o
s
i
n
t
e
r
c
o
n
e
c
t
a
d
o
s
,
e
l
m
o
d
e
l
o
d
e
r
e
d
n
e
u
r
o
n
a
l
a
d
m
i
t
e
t
o
d
o
s
l
o
s
c
a
s
o
s
d
e
u
n
a
realidad
de
proceso
de
aprendizaje
en
el
mundo
real.
Una
red
neuronal
está
en
la
capacidad
de
aprender
de
los
datos,
de
manera
que
se
puede
entrenar
para
que
reconozca
patrones,
clasifique
datos
y
pronostique
eventos
futuros
[1].
En
este
sentido,
son
los
estudiantes
de
ingeniería
que
deben
aprender
los
aspectos
conceptuales,
procedimentales,
actitudinales
en
modelos
de
pronósticos
en
un
nivel
profundo
para
aplicarlo
en
actividades
empresariales,
para
minimizar
los
costos
e
incrementar
las
utilidades
por
diversos
conceptos
de
costos
y
de
ingresos.
Hoy
en
día
se
ve
reflejado
la
deficiencia
de
los
estudiantes
en
aplicar
los
métodos
de
pronósticos,
si
eso
continua
la
empresa
corre
riesgo
de
perder
posición
en
el
mercado.
En
el
caso
de
los
mercados
se
perciben
varias
herramientas
para
el
modelamiento
de
Redes
Neuronales
a
r
t
i
f
i
c
i
a
l
e
s
,
p
a
r
a
e
l
l
o
s
e
r
e
a
l
i
z
a
u
n
p
r
o
g
r
a
m
a
d
e
L
e
n
g
u
a
j
e
d
e
A
l
g
o
r
i
t
m
o
s
N
e
u
r
o
S
c
h
e
s
e
q
u
e
n
o
s
a
y
u
d
a
e
n
l
a
c
a
p
a
c
i
d
a
d
e
x
p
r
e
s
i
v
a
,
e
l
e
g
a
n
c
i
a
y
c
l
a
r
i
d
a
d
.
R
e
s
p
e
c
t
o
a
r
e
d
e
s
n
e
u
r
o
n
a
l
e
s
a
r
t
i
f
i
c
i
a
l
e
s
n
o
s
p
r
o
p
o
r
c
i
o
n
a
n
u
n
p
r
o
c
e
s
o
d
e
a
p
r
e
n
d
i
z
a
j
e
q
u
e
n
o
s
p
e
r
m
i
t
e
c
r
e
a
r
u
n
a
r
e
d
n
e
u
r
o
n
a
l
y
s
u
e
n
t
r
e
n
a
m
i
e
n
t
o
a
n
t
e
s
y
d
e
s
p
u
é
s
d
e
u
n
a
fase
en
relación
a
una
cantidad
de
labores
[2].
Las
empresas
hoy
en
día
buscan
formas
de
ver
reflejado
el
incremento
de
sus
costos
e
ingresos
para
incrementar
sus
utilidades.
Un
manejo
eficiente
de
la
información
permite
hacer
predicciones
acertadas
de
acuerdo
a
la
época
del
año
y
manejar
niveles
de
inventarios
adecuados
con
el
menor
porcentaje
de
error
en
la
empresa
y
no
pierda
posición
en
el
mercado
hasta
desaparecer
[3].
Por
ejemplo
al
final
de
cada
año,
en
los
meses
de
noviembre
o
diciembre,
las
empresas
planifican
la
producción
del
próximo
año,
para
llevarla
a
cabo
lo
que
se
requiere
saber
la
cantidad
de
productos
a
producir,
y
para
que
la
empresa
sepa
eso,
debe
hacer
uso
de
los
modelos
de
pronósticos,
siendo
uno
de
los
más
utilizados,
el
modelo
de
Regresión
Lineal
o
Análisis
de
Regresión
Lineal,
pero
ahora
gracias
a
las
Redes
Neuronales
Artificiales
como
máquina
de
aprendizaje
y
de
automatización
se
podrá
mejorar
el
aprendizaje
de
los
alumnos
para
que
las
empresas
tengan
una
planificación
de
la
producción.
Por
otro
lado,
la
comunidad
comprometida
necesita
obtener
los
productos
en
tiempo
real
y
productos
de
calidad,
si
las
empresas
actúan
bajo
un
plan
de
pronósticos
sucede
lo
contrario,
es
decir
sus
costos
se
incrementarían
y
se
tendrían
ingresos
altos
y
las
empresas
no
correrían
riesgo
en
el
mercado.
Para
ello
es
importante
desarrollar
en
los
estudiantes
capacidades
que
ayuden
medir
el
aprendizaje
profundo
de
pronósticos
en
los
problemas
empresariales
específicamente
en
la
planificación
de
la
producción
para
aplicarlos
con
mayor
efectividad
en
las
realidades
de
las
empresas.
En
ese
sentido,
el
objetivo
que
se
plantea
en
la
presente
investigación
es
aplicar
las
redes
neuronales
artificiales
para
medir
el
aprendizaje
profundo
de
pronósticos.
Investigación
que
se
aplica
con
eficiencia
y
eficacia
en
los
cálculos
de
pronósticos
en
los
problemas
empresariales,
especialmente
en
la
planificación
de
la
producción
a
través
de
la
estrategia
de
las
redes
neuronales
como
máquina
de
aprendizaje.
52
I
S
S
N
-
E
:
2
5
4
2
-
3
4
0
1
,
I
S
S
N
-
P
:
1
3
1
6
-
4
8
2
1
Universidad,
Ciencia
y
Tecnología,
Vol.
27,
Núm.
118,
(pp.
51-60)
Castañeda S.
et al.
Redes neuronales artificiales: una medición de aprendizajes de pronósticos como demanda potencial
II. DESARROLLO
Una
caracterización
importante
de
las
redes
neuronales
es
simular
o
imitar
el
proceso
de
aprendizaje
del
cerebro
humano.
Proceso
que
utilizan
algoritmos
o
programas
informáticos
con
el
propósito
de
aprender.
La
neurona
biológica
actúa
como
un
sistema
de
proceso
de
señales,
aprende
por
medio
de
procesos
sinápticos,
la
cual
consiste
en
conectar
dos
o
más
neuronas
en
donde
la
información
es
analizada
y
procesada
por
p
r
o
c
e
s
o
s
e
l
e
c
t
r
o
q
u
í
m
i
c
o
s
,
e
l
a
x
ó
n
t
i
e
n
e
l
a
f
u
n
c
i
ó
n
d
e
t
r
a
n
s
m
i
t
i
r
d
a
t
a
e
i
n
f
o
r
m
a
c
i
ó
n
a
l
a
s
n
e
u
r
o
n
a
s
c
o
n
l
a
s
c
u
a
l
e
s
s
e
c
o
n
e
c
t
a
n
,
p
r
o
c
e
s
o
q
u
e
e
s
d
e
n
o
m
i
n
a
d
o
s
i
n
a
p
s
i
s
.
L
a
i
n
f
o
r
m
a
c
i
ó
n
s
e
d
a
u
n
a
n
e
u
r
o
n
a
a
o
t
r
a
s
e
denomina
salida,
y
toda
la
información
procesada
en
una
neurona
se
denomina
capa
[4].
En
las
redes
neuronales,
el
aprendizaje
es
ponderado,
los
pesos
son
sumados
con
la
finalidad
de
proporcionar
o
generar
una
activación
de
nodo,
la
cuales
denominada
unidad
lógica
de
umbral.
La
salida
es
relativa,
las
capas
de
neuronas
entregan
información
de
una
capa
a
otra,
la
eficiencia
del
aprendizaje
generalmente
disminuye
a
medida
en
que
se
profundiza
el
aprendizaje
[5].
En
la
actualidad,
las
redes
neuronales
se
han
constituido
como
una
herramienta
tecnológica
muy
importante
debido
a
que
son
agentes
inteligentes
que
contribuyen
en
el
desarrollo
de
problemas
relacionados
con
el
aprendizaje
automático
y
aprendizaje
profundo,
esto
se
debe
a
la
capacidad
de
resolver
problemas
matemáticos
complejos,
problemas
d
e
i
n
g
e
n
i
e
r
í
a
d
e
a
l
t
a
c
o
m
p
l
e
j
i
d
a
d
e
n
t
o
d
o
s
l
o
s
á
m
b
i
t
o
s
[
4
]
.
Las
redes
artificiales
imitan
a
las
redes
neuronales
biológicas,
es
decir
las
redes
artificiales
deben
reproducir
los
componentes
primarios
de
las
redes
neuronales
biológicas.
Existen
dos
aproximaciones
que
se
utilizan
en
la
construcción
de
las
redes
artificiales,
las
que
usan
chips
experimentales
que
simulan
a
las
neuronas
para
f
o
r
m
a
r
l
a
s
r
e
d
e
s
,
m
i
e
n
t
r
a
s
l
a
s
e
g
u
n
d
a
s
e
c
r
e
a
l
a
s
r
e
d
e
s
m
e
d
i
a
n
t
e
s
o
f
t
w
a
r
e
,
e
s
t
o
p
e
r
m
i
t
e
d
e
s
a
r
r
o
l
l
a
r
l
a
s
m
á
s
fácil
que
mediante
la
utilización
de
las
computadoras.
En
la
figura
1
se
muestra
la
equivalencia
entre
los
componentes
neuronas
biológicas
y
las
neuronas
artificiales
[6].
A.
Neurona
artificial.
Como
proceso
la
neurona
artificial
cumple
la
función
de
activación,
reporta
una
salida
la
misma
que
es
creada
por
la
neurona
como
resultado
del
procesamiento
de
las
entradas.
La
función
de
activación
está
presente
en
cada
una
de
las
capas
de
las
redes
neuronales
artificiales.
53
I
S
S
N
-
E
:
2
5
4
2
-
3
4
0
1
,
I
S
S
N
-
P
:
1
3
1
6
-
4
8
2
1
Universidad,
Ciencia
y
Tecnología,
Vol.
27,
Núm.
118,
(pp.
51-60)
Fig. 1.
Estructura básica de una Neurona Artificial y similitud con la neurona biológica [6].
Castañeda S.
et al.
Redes neuronales artificiales: una medición de aprendizajes de pronósticos como demanda potencial
B.
Funciones
de
activación
más
utilizadas.
Identidad:
es
una
de
las
funciones
de
activación
más
simples,
siempre
devuelve
como
salida
su
valor
de
entrada.
Su
rango
es
(-∞+∞),
y
es
una
función
monótona.
54
ISSN-E:
2542-3401,
ISSN-P:
1316-4821
Universidad,
Ciencia
y
Tecnología,
V
o
l
.
2
7
,
N
ú
m
.
1
1
8
,
(
p
p
.
5
1
-
6
0
)
Escalón
binario:
es
una
de
las
funciones
más
usadas
en
las
redes
neuronales
binarias
debido
a
que
no
es
lineal
y
es
bastante
sencilla.
La
red
neuronal
de
Hoppfield
utiliza
esta
función.
Cuenta
con
un
rango
(0,1),
y
generalmente
es
monótona.
Función
Sigmoide:
de
acuerdo
con
la
literatura
científica,
es
una
de
las
funciones
más
usadas
como
activación
de
las
redes
neuronales.
En
la
figura
2
se
observa
el
rango
continuo
en
los
valores
(0,1),
es
monótona
e
infinitamente
diferenciable.
Fig. 2.
Función Sigmoide
Tangente
hiperbólica:
esta
función
es
utilizada
por
redes
neuronales
con
salidas
continuas.
Su
aplicación
más
común
se
da
en
el
Perceptrón
multicapa
con
retro
propagación,
debido
a
que
su
algoritmo
de
aprendizaje
requiere
de
una
función
derivable,
es
monótona,
y
se
aproxima
a
la
función
identidad
en
su
origen
tal
como
se
observa
en
la
figura
3.
Fig. 3.
Función Hiperbólica
Castañeda S.
et al.
Redes neuronales artificiales: una medición de aprendizajes de pronósticos como demanda potencial
Función
Rectificadora:
esta
función
de
activación
generalmente
se
usa
en
redes
convolucionales,
se
fundamenta
en
la
teoría
de
las
probabilidades,
es
más
versátil
que
la
función
de
activación
tangente
hiperbólica.
Es
una
de
las
funciones
de
activación
que
más
se
están
aplicando
a
investigaciones
con
Deep
L
e
a
r
n
i
n
g
.
55
I
S
S
N
-
E
:
2
5
4
2
-
3
4
0
1
,
I
S
S
N
-
P
:
1
3
1
6
-
4
8
2
1
Universidad,
Ciencia
y
Tecnología,
V
o
l
.
2
7
,
N
ú
m
.
1
1
8
,
(
p
p
.
5
1
-
6
0
)
Función
suavizada:
esta
función
activadora
es
una
aproximación
suavizada
de
la
función
de
activación
rectificadora.
C.
Tipos
de
aprendizaje
en
redes
neuronales.
Aprendizaje
supervisado,
en
este
tipo
de
aprendizaje
se
tiene
un
grupo
de
datos
inicialmente
calificado,
a
esos
datos
se
denominan
a
priori
y
se
le
relaciona
como
si
fuera
un
maestro,
y
estos
datos
supervisan
el
aprendizaje,
las
neuronas
aprenden
funciones
o
relaciones
que
establecen
relación
de
asociación
de
las
entradas
con
salidas.
En
este
tipo
de
red
neuronal
artificial,
se
presenta
una
entrada
en
el
nivel
de
capa
de
entrada
junto
con
una
respuesta
deseada
para
la
capa
de
salida,
el
proceso
de
aprendizaje
se
fundamenta
en
l
a
c
o
m
p
a
r
a
c
i
ó
n
e
n
t
r
e
l
o
s
d
a
t
o
s
d
e
s
a
l
i
d
a
q
u
e
c
a
l
c
u
l
a
l
a
r
e
d
y
l
a
r
e
s
p
u
e
s
t
a
q
u
e
s
e
d
e
s
e
a
,
s
e
p
u
e
d
e
g
e
n
e
r
a
r
u
n
e
r
r
o
r
,
e
l
e
r
r
o
r
e
s
u
t
i
l
i
z
a
d
o
e
n
e
l
c
a
m
b
i
o
d
e
l
o
s
p
a
r
á
m
e
t
r
o
s
d
e
l
a
r
e
d
(
p
e
s
o
s
)
d
e
m
o
d
o
q
u
e
r
e
s
u
l
t
e
u
n
m
e
j
o
r
rendimiento
[7].
Ahora
bien,
la
clasificación
en
este
subtipo,
los
datos
pueden
pertenecer
a
dos
o
más
clases,
se
busca
aprender
como
clasificar
nuevas
entradas
en
esas
clases
a
partir
de
datos
que
ya
se
conoce.
En
el
aprendizaje
no
supervisado,
se
utiliza
un
conjunto
de
datos
sin
clasificar,
las
neuronas
buscan
incrementar
el
conocimiento
estructural
de
los
datos
disponibles,
así
como
de
los
probables
datos
futuros
que
deriven
del
mismo
fenómeno.
En
el
aprendizaje
no
supervisado
no
existe
un
conocimiento
a
priori.
Así
pues,
la
topología
de
una
red
neurona
indica
el
espacio
o
posición
que
ocupa
una
neurona
dentro
de
la
red,
las
neuronas
se
asocian
formando
capas,
que
pueden
diferentes
características.
De
acuerdo
a
la
topología
de
las
redes
neuronales,
existen
tres
tipos
de
neuronas
artificiales
como
sostiene
[8].
D.
Tipos
de
neuronas
artificiales.
Neuronas
de
entrada:
Reciben
señales
(datos
o
información)
desde
el
entorno;
estas
entradas
provienen
generalmente
de
otros
espacios
del
sistema
como
información
de
almacenamiento
de
patrones
de
aprendizaje.
Neuronas
de
salida:
Envían
señales
(resultados
de
aprendizaje
o
datos)
en
forma
externa
del
sistema
una
vez
terminado
el
tratamiento
de
la
información
es
decir
la
salida
de
la
red.
Neuronas
ocultas:
Reciben
estímulos
y
generan
salidas
dentro
del
sistema,
no
mantienen
ningún
tipo
de
contacto
con
el
exterior.
Las
neuronas
ocultas
incorporan
información
y
establecen
la
representación
interna
de
ésta
[9].
Ahora
bien,
el
aprendizaje
profundo
hace
referencia
a
la
formación
de
redes
neuronales
con
más
de
dos
capas
ocultas.
Deep
Learning,
en
español
aprendizaje
profundo
es
una
Sub
área
en
los
temas
de
máquina
de
aprendizaje
o
también
conocido
como
Machine
Learning,
la
misma
que
usa
varias
estructuras
de
redes
neuronales
con
la
finalidad
de
alcanzar
el
aprendizaje
de
capas
continuas
o
sucesivas.
Se
refiere
a
la
cantidad
de
capas
de
representaciones
que
se
usan
en
el
modelo;
comúnmente
se
acostumbra
a
utilizar
decenas
o
cientos
de
capas
de
representación,
estas
capas
aprenden
de
manera
automática
siempre
en
cuando
el
modelo
es
entrenado
con
los
datos
[10].
Castañeda S.
et al.
Redes neuronales artificiales: una medición de aprendizajes de pronósticos como demanda potencial
56
E
l
a
p
r
e
n
d
i
z
a
j
e
p
o
r
r
e
p
r
e
s
e
n
t
a
c
i
ó
n
i
m
p
l
i
c
a
v
a
r
i
o
s
m
é
t
o
d
o
s
q
u
e
a
y
u
d
a
n
a
u
n
c
o
n
j
u
n
t
o
d
e
r
e
d
e
s
n
e
u
r
o
n
a
l
e
s
en
la
recepción
de
la
data
o
información
sin
haber
sido
procesado
y
descubrir
de
manera
automática
las
representaciones
que
se
requieren
para
la
identificación
o
clasificación.
Los
procesos
propios
de
aprendizaje
profundo
son
técnicas
y
metodologías
de
aprendizaje
de
representación
con
varios
niveles
de
representación,
l
o
g
r
a
d
o
s
c
o
n
l
a
a
y
u
d
a
d
e
l
a
c
o
m
p
o
s
i
c
i
ó
n
d
e
m
ó
d
u
l
o
s
s
i
m
p
l
e
s
n
o
l
i
n
e
a
l
e
s
q
u
e
c
a
m
b
i
a
n
l
a
r
e
p
r
e
s
e
n
t
a
c
i
ó
n
e
n
un
nivel
superior
y
sutilmente
más
abstracto,
con
la
estructuración
de
varios
cambios
la
red
neuronal
adquiere
la
capacidad
de
aprender
funciones
muy
complejas.
En
los
procesos
de
clasificación,
las
capas
superiores
de
representación
amplifican
las
entradas
de
mayor
importancia
con
fines
de
selección
y
eliminan
las
variaciones
irrelevantes
[11].
Actualmente,
el
aprendizaje
profundo
está
obteniendo
adelantos
muy
importantes
en
los
procesos
de
dar
s
o
l
u
c
i
ó
n
a
p
r
o
b
l
e
m
a
s
c
o
m
p
l
e
j
o
s
q
u
e
h
a
n
r
e
s
i
s
t
i
d
o
l
a
s
m
e
j
o
r
e
s
t
e
n
t
a
t
i
v
a
s
d
e
s
o
l
u
c
i
ó
n
p
o
r
p
a
r
t
e
d
e
l
a
comunidad
de
inteligencia
artificial
durante
muchos
años,
el
aprendizaje
profundo
ha
demostrado
su
potencialidad
en
la
solución
compleja
de
varias
ramas
del
saber
humano.
Se
orienta
en
el
conocimiento
en
la
profundidad
de
la
comprensión
de
los
alumnos
al
leer
o
estudiar
un
texto
y
entender
las
diferencias
individuales
evidenciadas
por
los
alumnos
en
su
proceso
de
aprendizaje
de
las
informaciones,
los
cuales
establecen
la
orientación
de
la
tarea,
la
comunidad
científica
ha
establecido
los
términos
Enfoque
Profundo
y
E
n
f
o
q
u
e
S
u
p
e
r
f
i
c
i
a
l
d
e
l
A
p
r
e
n
d
i
z
a
j
e
p
a
r
a
h
a
c
e
r
r
e
f
e
r
e
n
c
i
a
a
d
o
s
f
o
r
m
a
s
q
u
e
s
e
l
e
c
c
i
o
n
a
n
l
o
s
e
s
t
u
d
i
a
n
t
e
s
durante
el
proceso
de
la
información.
El
término
superficial
hace
referencia
al
procesamiento
encaminado
al
texto
mismo,
mostrando
una
concepción
reproductiva
del
aprendizaje.
El
término
profundo
hace
referencia
a
los
estudiantes
centrados
en
la
comprensión
del
texto,
demostrando
mayor
interés
por
el
contenido,
mensaje
o
significado
[12].
D
e
e
s
t
a
m
a
n
e
r
a
,
l
o
s
e
n
f
o
q
u
e
s
s
u
p
e
r
f
i
c
i
a
l
e
s
y
p
r
o
f
u
n
d
o
s
o
n
d
o
s
f
o
r
m
a
s
d
e
r
e
l
a
c
i
o
n
a
r
s
e
,
e
n
e
s
e
s
e
n
t
i
d
o
,
e
l
sujeto
que
aprende
con
un
entorno
de
enseñanza
y
aprendizaje,
pero
no
son
características
fijas
de
éstos,
son
respuestas
de
naturaleza
racional
a
sus
ambientes
educativos:
en
este
caso,
se
evalúan
los
grados
de
complejidad
en
las
salidas
o
resultados
del
aprendizaje
en
función
a
los
propuestos
[13].
Una
neurona
artificial
se
enfoca
como
la
aplicación
y
suma
de
pesos
sinápticos
seguida
de
una
transformación
no
lineal
(denominada
función
de
activación).
Al
instalar
neuronas
artificiales
como
elementos
computacionales
de
una
arquitectura
profunda
se
obtiene
redes
neuronales
artificiales
de
varias
capas
o
también
conocidas
como
redes
multicapa.
La
manera
más
común
de
este
tipo
de
redes
consiste
en
la
selección
de
solo
una
capa
oculta
relacionada
con
una
capa
de
salida
con
lo
que
se
logra
una
profundidad
de
dos
capas.
De
esta
manera
la
regularización
se
define
como
cualquier
problema
principal
en
el
aprendizaje
profundo
que
conlleva
a
la
realización
de
un
algoritmo
que
demuestre
resultados
tanto
en
los
datos
de
entrenamiento
como
también
en
las
nuevas
entradas.
Varias
acciones
son
usadas
en
el
aprendizaje
profundo
para
la
reducción
o
minimización
del
error
de
prueba,
probable
a
costa
de
un
mayor
error
de
entrenamiento.
Estas
destrezas
son
conocidas
como
regularización
[14].
En
este
sentido,
la
regularización
es
la
modificación
que
se
realiza
al
algoritmo
de
aprendizaje,
el
mismo
que
tiene
como
objetivo
la
reducción
del
error
de
generalización,
y
no
su
error
de
entrenamiento.
Existen
varias
formas
de
regularización,
algunos
de
ellos
colocan
limitaciones
adicionales
en
un
modelo
de
aprendizaje
profundo
o
automático,
en
ciertos
casos
se
perciben
las
limitaciones
en
los
valores
de
los
parámetros.
Otros
prefieren
agregar
información
adicional
en
la
función
objetivo
que
pueden
considerarse
como
correspondientes
a
una
limitación
suave
en
los
valores
de
los
parámetros.
En
el
caso
de
una
elección
cuidadosa,
estas
limitaciones
y
penalizaciones
adicionales
pueden
medir
el
rendimiento
en
el
grupo
de
pruebas
[15].
III.
METODOLOGÍA
El
estudio
fue
cuantitativo
de
diseño
pre
experimental.
Se
consideraron
los
métodos
analítico-
sintético,
para
medir
las
variables
redes
neuronales
artificiales
y
aprendizaje
profundo
de
pronósticos,
para
ello
se
utilizó
una
prueba
de
pronósticos
de
análisis
de
regresión
lineal
con
pre
test
y
pos
test
de
la
aplicación
de
las
redes
neuronales,
constituida
por
12
preguntas.
El
estudio
estuvo
representado
por
25
estudiantes
de
la
escuela
de
ingeniería
industrial,
con
el
propósito
de
determinar
sus
aprendizajes
respectivamente.
El
instrumento
fue
validado
por
tres
jueces
de
expertos
calificados
para
evaluar
las
preguntas
propuestas.
ISSN-E:
2542-3401,
ISSN-P:
1316-4821
Universidad,
Ciencia
y
Tecnología,
V
o
l
.
2
7
,
N
ú
m
.
1
1
8
,
(
p
p
.
5
1
-
6
0
)
Castañeda S.
et al.
Redes neuronales artificiales: una medición de aprendizajes de pronósticos como demanda potencial
57
Para
el
proceso
del
estudio
se
ha
empleado
la
prueba
donde
cada
estudiante
debía
responder
las
doce
p
r
e
g
u
n
t
a
s
s
o
b
r
e
e
l
a
n
á
l
i
s
i
s
d
e
l
o
s
t
e
m
a
s
d
e
p
r
o
n
ó
s
t
i
c
o
s
d
e
l
a
p
r
e
n
d
i
z
a
j
e
p
r
o
f
u
n
d
o
.
C
o
n
l
a
a
p
l
i
c
a
c
i
ó
n
d
e
l
pretest
y
postest
se
esperaba
medir
el
nivel
de
los
conocimientos
de
pronósticos
que
tenían
cada
estudiante.
El
aprendizaje
profundo
hace
referencia
a
los
niveles
que
existe
entre
una
pregunta
simple,
intermedia
y
compleja,
es
decir
las
distancias
entre
las
preguntas
simples,
intermedia
y
compleja
que
se
denominan
capas,
mientras
más
profunda
es
la
capa,
más
complejo
es
el
nivel
del
conocimiento.
IV.
RESULTADOS
A.
Principales
hallazgos.
El
estudio
muestra
los
resultados
del
aprendizaje
profundo
de
los
conceptos
de
pronósticos
antes
y
después
de
aplicar
las
redes
neuronales
artificiales.
Para
ello
las
notas
de
los
25
estudiantes
muestran
un
p
r
o
m
e
d
i
o
d
e
1
3
,
9
2
y
l
o
s
r
e
s
u
l
t
a
d
o
s
d
e
n
o
t
a
A
p
r
e
n
d
i
z
a
j
e
c
o
n
c
e
p
t
u
a
l
d
e
p
r
o
n
ó
s
t
i
c
o
(
A
C
P
)
f
u
e
1
3
,
6
0
,
r
e
s
u
l
t
a
d
o
s
cuya
diferencia
fue
de
0,32,
ambos
aproximadamente
cierran
un
promedio
de
14.
ISSN-E:
2542-3401,
ISSN-P:
1316-4821
U
n
i
v
e
r
s
i
d
a
d
,
C
i
e
n
c
i
a
y
T
e
c
n
o
l
o
g
í
a
,
Vol.
27,
Núm.
118,
(pp.
51-60)
Fig. 4.
Registro de nota respecto a conceptos de pronóstico antes y con red neuronal
En
la
figura
4
se
pueden
observar
las
notas
del
acta
de
registro
reales
respecto
al
aprendizaje
conceptual
de
pronóstico
y
las
notas
simuladas
con
el
método
de
red
neuronal
del
mismo
tema,
los
promedios
son
casi
similares,
13,92
puntos
y
13,60
puntos
respectivamente,
redondeando
ambos
dan
un
promedio
de
14
puntos
de
nota.
Otro
aprendizaje
profundo
desarrollado
fue
los
procedimientos
de
cálculo
de
pronósticos
el
resultado
obtenido
fue
de
13,56
(CAPR)
en
relación
al
promedio
obtenido
de
13,80
al
aplica
las
redes
neuronales,
obteniéndose
una
diferencia
de
0,24.
En
ese
sentido,
este
proceso
de
resultado
contribuye
al
desarrollo
de
problema
relacionado
con
el
aprendizaje
automático
y
aprendizaje
profundo.
Fig. 5.
Registro de nota respecto al aprendizaje de procedimiento de cálculo de pronóstico.
Castañeda S.
et al.
Redes neuronales artificiales: una medición de aprendizajes de pronósticos como demanda potencial
58
En
la
figura
5
se
pueden
observar
las
notas
del
acta
de
registro
de
notas
reales
respecto
al
aprendizaje
de
procedimiento
de
cálculo
de
pronóstico
y
las
notas
simuladas
con
el
método
de
red
neuronal
del
mismo
tema,
los
promedios
son
casi
similares,
13,80
y
13,56
respectivamente,
redondeando
ambos
dan
un
promedio
14
de
n
o
t
a
.
Así
mismo,
tenemos
los
resultados
del
aprendizaje
profundo
de
las
conductas
de
los
alumnos,
para
ello
se
obtuvo
un
promedio
de
13,60
(COAL),
además
un
promedio
de
14,40
después
de
aplicar
las
redes
neuronales
con
una
diferencia
de
0,80,
con
estos
resultados
nos
muestra
que
el
aprendizaje
profundo
se
ha
realizado
con
redes
con
más
de
dos
capas
ocultas,
donde
se
utilizó
varias
estructuras
de
redes
neuronales
con
el
propósito
de
alcanzar
el
aprendizaje.
ISSN-E:
2542-3401,
ISSN-P:
1316-4821
Universidad,
Ciencia
y
Tecnología,
Vol.
27,
Núm.
118,
(pp.
51-60)
Fig. 6.
Registro de nota de conducta de los alumnos antes y con red neuronal.
En
la
figura
6
se
puede
observar
las
notas
del
acta
de
registro
de
notas
reales
respecto
a
la
conducta
del
alumno
respecto
al
aprendizaje
de
pronóstico
y
las
notas
simuladas
con
el
método
de
red
neuronal
del
mismo
tema,
los
promedios
son
casi
similares,
14,40
y
13,60
respectivamente,
redondeando
ambos
dan
un
promedio
14
puntos
calificación.
También
se
obtuvieron
los
resultados
del
aprendizaje
profundo
de
la
aplicación
de
pronósticos
en
los
problemas
empresariales
en
la
Escuela
de
Ingeniería
Industrial,
los
promedios
obtenidos
fueron
de
14,24
puntos
(AEP)
y
14,2
puntos
en
promedio,
para
dichos
resultados
se
utilizaron
técnicas
tales
como
composición
de
módulos
simples
o
lineales
lo
cual
cambian
la
representación
en
un
nivel
superior
y
con
estos
cambios
la
red
neuronal
adquiere
la
capacidad
de
aprender
funciones
muy
complejas
[14].
B.
Promedios
de
Aprendizajes
profundos
de
pronósticos.
Fuente: Elaboracion propia de los autores.
Tabla 1.
Registro de promedio de notas de la red neuronal.
En
la
tabla
1
se
puede
observar
las
notas
promedio
del
acta
de
registro
de
notas
reales
con
el
promedio
de
notas
obtenidas
mediante
la
aplicación
del
programa
de
red
neuronal,
los
promedios
generales
son
casi
similares,
el
promedio
de
los
promedios
obtenidos
fueron
14,16
puntos
y
13,88
puntos
respectivamente,
redondeando
ambos
dan
un
promedio
14
puntos.
Castañeda S.
et al.
Redes neuronales artificiales: una medición de aprendizajes de pronósticos como demanda potencial
59
CONCLUSIONES
Al
aplicar
las
redes
neuronales
artificiales
para
medir
el
aprendizaje
profundo
de
pronósticos
se
llegó
a
las
siguientes
conclusiones:
Se
realizó
el
proceso
de
las
redes
neuronales
utilizando
el
software
MATLAB,
los
elementos
que
utilizaron
f
u
e
r
o
n
:
a
s
p
e
c
t
o
s
r
e
f
e
r
e
n
t
e
s
a
l
e
n
t
r
e
n
a
m
i
e
n
t
o
d
e
l
a
s
r
e
d
e
s
,
e
l
c
o
m
p
o
r
t
a
m
i
e
n
t
o
d
e
l
a
s
p
r
u
e
b
a
s
y
l
o
s
r
e
s
u
l
t
a
d
o
s
de
las
comparaciones.
También
es
importante
saber
que
para
sea
aplicable
los
datos
deben
presentar
algunas
características:
independencia,
linealidad
y
tamaño.
La
aplicación
de
las
Redes
Neuronales
Artificiales
en
la
medición
del
aprendizaje
profundo
de
Pronósticos
en
la
Escuela
de
Ingeniería
Industrial,
se
obtuvo
como
promedio
en
notas
de
13,88,
las
notas
reales
fueron
o
b
t
e
n
i
d
o
s
1
4
,
1
6
,
l
o
s
r
e
s
u
l
t
a
d
o
s
f
u
e
r
o
n
s
i
m
i
l
a
r
e
s
r
e
d
o
n
d
e
a
n
d
o
l
a
s
n
o
t
a
s
.
Las
Redes
Neuronales
Artificiales
en
la
medición
del
aprendizaje
profundo
de
los
conceptos
de
Pronósticos
se
encontró
un
promedio
de
notas
simuladas
de
13,60
y
las
notas
reales
tuvieron
promedio
de
13,92,
r
e
d
o
n
d
e
a
n
d
o
a
m
b
o
s
p
r
o
m
e
d
i
o
s
f
u
e
r
o
n
s
i
m
i
l
a
r
e
s
.
En
la
medición
del
procedimiento
de
aprendizaje
de
cálculo
de
pronósticos
aplicando
las
redes
Neuronales
Artificiales
se
encontró
un
promedio
de
notas
simuladas
de
13,56
y
las
notas
reales
tuvieron
promedio
de
13,80,
redondeando
ambos
promedios
fueron
similares.
En
la
medición
de
la
conducta
del
alumno
respecto
al
aprendizaje
de
pronóstico,
aplicando
las
redes
Neuronales
Artificiales
se
encontró
un
promedio
de
notas
simuladas
de
13,60
y
las
notas
reales
tuvieron
promedio
de
14,40,
redondeando
ambos
promedios
fueron
similares.
Con
la
aplicación
de
las
Redes
Neuronales
Artificiales
en
la
medición
de
la
aplicación
de
Pronósticos
en
los
problemas
empresariales
se
encontró
un
promedio
de
notas
simuladas
de
14,24
y
las
notas
reales
tuvieron
promedio
de
11,12,
redondeando
ambos
promedios
fueron
similares.
Utilizar
las
redes
neuronales
para
lograr
cambios
en
los
aprendizajes
son
importantes
porque
nos
permite
dar
solución
en
el
escenario
de
la
inteligencia
artificial,
unos
de
los
aspectos
resaltantes
es
la
orientación
al
conocimiento
en
la
profundidad
en
la
comprensión
de
los
estudiantes
cuando
deciden
realizar
una
lectura
o
algún
estudio
de
un
texto.
En
el
caso
del
cálculo
de
pronóstico
de
las
ventas,
el
porcentaje
de
error
se
mostró
en
1%
siendo
el
modelo
3
el
más
adecuado;
es
decir,
para
realizar
estos
procesos
la
red
neuronal
se
mostró
con
una
capa
oculta
donde
se
realizó
el
proceso
de
los
datos.
Un
aspecto
importante
es
saber
la
utilización
de
las
redes
neuronales
en
diagnosticar
el
proceso
pronostico
llevando
a
un
nivel
alto
de
incertidumbre
en
los
resultados
de
previsión
a
comparación
de
los
métodos
convencionales
porque
no
existe
un
alto
grado
de
dispersión
en
datos
de
información
técnica
en
el
caso
de
energía
eléctrica.
REFERENCIAS
[1]
H.
Beale,
and
Demuth,
MathWorks,
2020.
[2]
J.
Velásquez.
“Neuroscheme:
un
lenguaje
para
el
modelamiento
de
redes
neuronales
artificiales”.
Dyna,
72(147),
pp.
75-83,
2005.
[3]
E.
Toro,
D.
Mejía,
H.
Salazar.
“Pronóstico
de
ventas
usando
redes
neuronales”.
Scientia
Et
Technica,
10,
(26),
pp.
25-30,
2004.
https://www.redalyc.org/articulo.oa?id=84911640006
[4]
S.
Hong
Tang
and
Ch.
Kit
Ang,
Predicting
the
Motion
of
a
Robot
Manipulator
with
Unknown
Trajectories
Based
on
an
Artificial
Neural
Network.
Mohd
Khairol
Anuar
Bin
Mohd
Ariffin
and
Syamsiah
Binti
Mashohor,
septiembre
del
2014.
ISSN-E:
2542-3401,
ISSN-P:
1316-4821
Universidad,
Ciencia
y
Tecnología,
Vol.
27,
Núm.
118,
(pp.
51-60)
Castañeda S.
et al.
Redes neuronales artificiales: una medición de aprendizajes de pronósticos como demanda potencial
60
[5]
J.
A.
Anderson,
Redes
Neuronales.
México:
Alfaomega
Grupo
Editor,
2007.
[6]
A.
Requena,
R.
Quintanilla,
J.
M.
Bolarin,
A.
Vásquez,
A.
Bastidas,
J.
Zúñiga
y
L.M.
Tomás.
2022.
Nuevas
Tecnologías
y
Comunicación
de
Atmosferas,
para
PYMEs.
VI-3-4.
[
7
]
G
.
A
.
K
i
r
b
y
,
K
e
v
i
n
,
T
u
t
o
r
i
a
l
o
n
H
e
l
m
h
o
l
t
z
M
a
c
h
i
n
e
.
D
e
p
a
r
t
m
e
n
t
o
f
C
o
m
p
u
t
e
r
S
c
i
e
n
c
e
,
N
o
r
t
h
e
r
n
K
e
n
t
u
c
k
y
University,
June
2006.
[8]
R.
F.
López,
and
J.
M.
Fernández,
Las
redes
neuronales
artificiales:
Netbiblo,
2008.
[9]
A.A.
Jiménez,
C.Q.
Muñoz,
and
F.P.
Márquez,
Machine
learning
and
neural
network
for
maintenance
management.
Paper
presented
at
the
International
Conference
on
Management
Science
and
Engineering
Management,
2017.
[10]
R.
López,
Las
Redes
neuronales
artificiales:
fundamentos
teóricos
y
aplicaciones
prácticas.
Oleiros,
La
Coruña
Netball,
2019.
[11]
Y.
LeCun,
Y.
“Bengio,
and
G.
Hinton,
Deep
learning”.
Nature,
521(7553),
436-444.
2015.
https://doi.org/10.1038/nature14539
[12]
F.
Marton,
and
R.
Säljö,
“On
qualitative
differences
in
learning.
II.
Outcome
as
a
function
of
the
learner's
c
o
n
c
e
p
t
i
o
n
o
f
t
h
e
t
a
s
k
”
.
B
r
i
t
i
s
h
J
o
u
r
n
a
l
o
f
E
d
u
c
a
t
i
o
n
a
l
P
s
y
c
h
o
l
o
g
y
,
4
6
,
1
2
8
-
1
4
8
.
1
9
7
6
.
[13]
J.
Biggs,
and
K.
F.
Collins,
Evaluating
the
quality
of
learning:
The
Solo
Taxonomy.
Nueva
York:
Academic
P
r
e
s
s
,
1
9
8
2
.
[14]
I.
Goodfellow,
Y.
Bengio,
and
A.
Courville,
(2016).
Deep
Learning
Adaptive
Computation
and
Machine
Learning
Series).Estados
Unidos:
MIT
Press,2016.
Obtenido
de
https://www.deeplearningbook.org/contents/convnets.html.
[
1
5
]
Y
.
L
e
C
u
n
,
Y
.
B
e
n
g
i
o
,
a
n
d
G
.
H
i
n
t
o
n
,
“
D
e
e
p
l
e
a
r
n
i
n
g
”
.
N
a
t
u
r
e
,
5
2
1
(
7
5
5
3
)
,
4
3
6
-
4
4
4
,
2
0
1
5
.
https://doi.org/10.1038/nature14539.
ISSN-E:
2542-3401,
ISSN-P:
1316-4821
Universidad,
Ciencia
y
Tecnología,
Vol.
27,
Núm.
118,
(pp.
51-60)
Castañeda S.
et al.
Redes neuronales artificiales: una medición de aprendizajes de pronósticos como demanda potencial
W
i
l
l
y
A
l
e
x
C
a
s
t
a
ñ
e
d
a
S
á
n
c
h
e
z
,
E
d
u
c
a
d
o
r
e
n
l
a
e
s
p
e
c
i
a
l
i
d
a
d
d
e
M
a
t
e
m
á
t
i
c
a
y
F
í
s
i
c
a
.
Dr.
En
Educación
Capacitado
en
investigación
científica
en
innovación
pedagógica
y
tecnológica,
trabajo
en
equipo
y
habilidades.
He
realizado
estudios
de
epistemología,
estadística
en
el
campo
de
la
investigación
científica
y
metodología.
Así
mismo,
he
realizado
investigación
en
estrategias
en
las
capacidades
de
resolución
de
problemas
en
el
nivel
superior.
Benjamín
Roldan
Polo
Escobar
,
Ing.
En
Estadística
e
Informática,
Licenciado
en
Administración,
Magister
en
Dirección
Estratégica
en
Tecnologías
de
la
Información,
Mg.
En
Gestión
de
los
Servicios
de
Salud,
Doctor
en
Gestión
Pública
y
Gobernabilidad,
Doctor
en
Administración
de
la
Educación,
con
experiencia
en
el
sector
público
por
más
de
20
años,
docente
investigador
de
la
Universidad
Nacional
Toribio
Rodríguez
de
Mendoza
de
Amazonas
–
Facultad
de
Ciencias
Económicas
y
Administrativas.
Fernando
Vega
Huincho
,
Ingeniero
Industrial,
Licenciado
en
Educación,
Maestro
en
Computación
e
Informática,
Maestro
en
Investigación
y
Docencia
y
Doctor
en
Gestión
y
Ciencias
de
la
Educación.
Docente
de
la
asignatura
de
Seminario
de
Proyecto
de
Tesis
(Escuela
de
Ingeniería
Informática
y
de
Sistemas),
Seminario
de
Tesis
I
(Escuela
de
Ingeniería
Civil)
ambas
en
la
Universidad
San
Pedro.
Asesor
de
tesis
y
jurado
de
tesis
en
los
niveles
de
pregrado
y
maestría.