Podemos definir una red neuronal como un conjunto de elementos de procesamiento de la informacion altamente interconectados, que son capaces de aprender con la informacion que se les alimenta. La principal caracteristica de esta nueva tecnologia de redes neuronales es que puede aplicarse a gran numero de problemas que pueden ir desde problemas complejos reales a modelos teoricos sofisticados como por ejemplo reconocimiento de imagenes, reconocimiento de voz, analisis y filtrado de senales, clasificacion, discriminacion, analisis financiero, prediccion dinamica, etc. Las redes neuronales tratan de emular el sistema nervioso, de forma que son capaces de reproducir algunas de las principales tareas que desarrolla el cerebro humano, al reflejar las caracteristicas fundamentales de comportamiento del mismo. Lo que realmente intentan modelizar las redes neuronales es una de las estructuras fisiologicas de soporte del cerebro, la neurona y los grupos estructurados e interconectados de varias de ellas, conocidos como redes de neuronas. De este modo, construyen sistemas que presentan un cierto grado de inteligencia. No obstante, debemos insistir en el hecho de que los sistemas neuronales artificiales, como cualquier otra herramienta construida por el hombre, tienen limitaciones y solo poseen un parecido superficial con sus contrapartidas biologicas. Las redes neuronales, en relacion con el procesamiento de informacion, heredan tres caracteristicas basicas de las redes de neuronas biologicas: paralelismo masivo, respuesta no lineal de las neuronas frente a las entradas recibidas y procesamiento de informacion a traves de multiples capas de neuronas. Una de las principales propiedades de estos modelos es su capacidad de aprender y generalizar a partir de ejemplos reales. Es decir, la red aprende a reconocer la relacion (que no deja de ser equivalente a estimar una dependencia funcional) que existe entre el conjunto de entradas proporcionadas como ejemplos y sus correspondientes salidas, de modo que, finalizado el aprendizaje, cuando a la red se le presenta una nueva entrada (aunque este incompleta o posea algun error), en base a la relacion funcional establecida en el mismo, es capaz de generalizarla ofreciendo una salida. En consecuencia, podemos definir una red neuronal artificial como un sistema inteligente capaz, no solo de aprender, sino tambien de generalizar. En este libro se presentan ejemplos practicos del trabajo con redes neuronales a traves de MATLAB. Se muestran aplicaciones sobre ajuste de modelos, reconocimiento de patrones, analisis cluster, prediccion de series temporales, Big Data y redes neoronales, computacion paralela con redes nuronales y otros ejemplos similares