lo de los videos del profe

IA/5.md

@@ -0,0 +1,36 @@
+#  ¿Qué son las CNN?
+Las **Redes Neuronales Convolucionales (CNN)** son un tipo de red neuronal diseñada para procesar datos con estructura en forma de grilla, como imágenes. Se usan principalmente en **visión por computadora** porque pueden extraer patrones visuales de forma automática.
+
+# ¿Cómo “ven” una imagen?
+Las CNN analizan imágenes en etapas para detectar patrones cada vez más complejos:
+
+| Capa | Función |
+|------|----------|
+| **Convolución** | Aplica filtros para detectar patrones básicos (bordes, colores, texturas). |
+| **Activación (ReLU)** | Introduce no linealidad para que el modelo pueda aprender patrones complejos. |
+| **Pooling** | Reduce dimensiones reteniendo la información más relevante (resumen de características). |
+| **Capas Densas (Fully Connected)** | Conectan características extraídas con la salida final de clasificación. |
+
+# ¿Por qué son tan útiles?
+Las CNN:
+- Aprenden **jerarquías de características**: primero bordes > luego formas > finalmente objetos completos.
+- Mantienen la **relación espacial** entre píxeles (a diferencia de las redes densas).
+- Son **invariantes a la posición**: pueden reconocer un objeto aunque esté en otro lugar de la imagen.
+- Reutilizan pesos (filtros), lo que las hace más eficientes.
+
+# Aplicaciones comunes
+- Clasificación de imágenes
+- Detección de objetos
+- Reconocimiento facial
+- Vehículos autónomos
+- Análisis médico mediante imágenes
+
+# Flujo típico del entrenamiento de una CNN
+1. Preparar dataset de imágenes (normalización, etiquetado, división train/test).
+2. Definir arquitectura (capas de conv + pooling + densas).
+3. Entrenar el modelo (ajuste de pesos para reducir error).
+4. Evitar overfitting (regularización, data augmentation, dropout).
+5. Evaluar con datos no vistos.
+
+# Idea clave para recordar
+> Una CNN aprende automáticamente **qué características de una imagen importan** sin que el programador tenga que definirlas manualmente.