#  ¿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.