{"id":180020,"date":"2025-06-10T07:30:00","date_gmt":"2025-06-10T06:30:00","guid":{"rendered":"https:\/\/liora.io\/es\/?p=180020"},"modified":"2026-02-06T09:48:17","modified_gmt":"2026-02-06T08:48:17","slug":"maquinas-de-boltzmann-restringidas-que-son","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/maquinas-de-boltzmann-restringidas-que-son","title":{"rendered":"M\u00e1quinas de Boltzmann Restringidas (RBM): \u00bfQu\u00e9 son? \u00bfPara qu\u00e9 se utilizan?"},"content":{"rendered":"<b>Las Restricted Boltzmann Machines (RBM) son un tipo de red de neuronas artificiales dise\u00f1adas para el aprendizaje no supervisado. Permiten aprender una distribuci\u00f3n de probabilidad a partir de un conjunto de datos de entrada.<\/b>\n\nInventadas por Geoffrey Hinton y Terry Sejnowski en 1985, y luego popularizadas en los a\u00f1os 2000, las RBM son particularmente adecuadas para la <b>reducci\u00f3n de dimensiones<\/b>, la <b>extracci\u00f3n de caracter\u00edsticas<\/b> y la <b>predicci\u00f3n de datos faltantes<\/b>. A menudo se utilizan como bloques de construcci\u00f3n para arquitecturas m\u00e1s profundas como las <b>Deep Belief Networks (DBN)<\/b>.\n\n<style><br \/>\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style>\n<h2>\u00bfCu\u00e1l es el origen de las RBM?<\/h2>\nLas RBM son una versi\u00f3n restringida de las <b>Boltzmann Machines (BM)<\/b>, que son redes neuronales energ\u00e9ticas donde todas las neuronas est\u00e1n interconectadas. Sin embargo, en una RBM, las conexiones entre neuronas de una misma capa est\u00e1n prohibidas, lo que simplifica el c\u00e1lculo y el entrenamiento del modelo. Esta restricci\u00f3n permite que las RBM aprendan representaciones latentes \u00fatiles en diversos campos como la visi\u00f3n por computadora, <a href=\"https:\/\/liora.io\/es\/nlp-introduccion\">el procesamiento del lenguaje natural<\/a> y la recomendaci\u00f3n de contenidos.\n\n<a href=\"https:\/\/liora.io\/es\/nuestros-cursos-de-data\">\nProfundizar en la RBM\n<\/a>\n<h2>\u00bfC\u00f3mo funcionan las RBM?<\/h2>\nLas <b>Restricted Boltzmann Machines (RBM)<\/b> funcionan seg\u00fan una arquitectura particular compuesta de dos capas de neuronas: una capa visible, que representa los <b>datos de entrada<\/b>, y una <b>capa oculta<\/b>, que extrae de ellos caracter\u00edsticas relevantes. A diferencia de las redes neuronales cl\u00e1sicas, no poseen una capa de salida, ya que su objetivo es modelar una <b>distribuci\u00f3n de probabilidad de los datos<\/b>. El aprendizaje se basa en el ajuste de los pesos que conectan estas dos capas, sin conexiones internas dentro de una misma capa.\n<h3>1. Arquitectura de una RBM<\/h3>\nLas RBM son grafos bipartitos sim\u00e9tricos donde cada neurona de la <b>capa visible<\/b> est\u00e1 conectada a cada neurona de la capa oculta, pero no existe ninguna conexi\u00f3n entre <a href=\"https:\/\/liora.io\/es\/redes-neuronales-artificiales-que-es\">las neuronas de una misma capa<\/a>. Cada conexi\u00f3n est\u00e1 asociada a un peso que se actualiza durante el aprendizaje.\n<h3>2. Fase de aprendizaje<\/h3>\nDurante la fase de aprendizaje, se utiliza una t\u00e9cnica llamada <b>Contrastive Divergence (CD-k)<\/b> para actualizar estos pesos. El proceso comienza con la presentaci\u00f3n de un vector de entrada a la capa visible, que luego transmite la informaci\u00f3n a la capa oculta utilizando una <b>funci\u00f3n de activaci\u00f3n sigmoidea<\/b>. A partir de esta capa oculta se genera una nueva muestra para reconstruir una versi\u00f3n aproximada de la entrada inicial. La diferencia entre esta reconstrucci\u00f3n y la original permite evaluar un error que luego se utiliza para ajustar los pesos del modelo. Este proceso se repite de manera iterativa hasta que los <b>ajustes de pesos<\/b> se vuelvan insignificantes.\n\n<style><br \/>\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"1000\" height=\"571\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/05\/Restricted-Boltzmann-Machine-Liora-1.webp\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/05\/Restricted-Boltzmann-Machine-Liora-1.webp 1000w, https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/05\/Restricted-Boltzmann-Machine-Liora-1-300x171.webp 300w, https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/05\/Restricted-Boltzmann-Machine-Liora-1-768x439.webp 768w\" sizes=\"(max-width: 1000px) 100vw, 1000px\">\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\"><div class=\"wp-block-button \"><a class=\"wp-block-button__link wp-element-button \" href=\"https:\/\/liora.io\/es\/nuestros-cursos-de-data\">Entender c\u00f3mo funciona la RBM<\/a><\/div><\/div>\n\n<h3>3. Funci\u00f3n de energ\u00eda y distribuci\u00f3n de probabilidad<\/h3>\nLas RBM se basan en una funci\u00f3n de energ\u00eda que determina la probabilidad de un estado dado. La probabilidad conjunta de las <b>capas visibles y ocultas<\/b> es dada por la distribuci\u00f3n de Boltzmann.\n\nLa ecuaci\u00f3n de la distribuci\u00f3n de Boltzmann describe la probabilidad <b><i>\u03a1(\u0395)<\/i><\/b> de que una part\u00edcula ocupe un estado de energ\u00eda <b><i>\u0395<\/i><\/b> a una temperatura <b><i>\u03a4<\/i><\/b>. Se da por la siguiente f\u00f3rmula:\n\n<img decoding=\"async\" width=\"308\" height=\"137\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/05\/distribution-de-Boltzmann.png\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/05\/distribution-de-Boltzmann.png 308w, https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/05\/distribution-de-Boltzmann-300x133.png 300w\" sizes=\"(max-width: 308px) 100vw, 308px\">\n\nDonde:\n<ul>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b><i>P(E)<\/i><\/b> es la probabilidad de un estado con la energ\u00eda <b><i>E<\/i><\/b>,<\/li>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b><i>E<\/i><\/b> es la energ\u00eda del estado,<\/li>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b><i>k<\/i><\/b><b><i>B<\/i><\/b><b><i>\u200b<\/i><\/b> es la constante de Boltzmann,<\/li>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b><i>T<\/i><\/b> es la temperatura en kelvins,<\/li>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b><i>Z<\/i><\/b> es la funci\u00f3n de partici\u00f3n.<\/li>\n<\/ul>\nPor lo tanto, cuanto menor es la energ\u00eda de un estado, m\u00e1s probable es que ocurra.\n<h3>4. Actualizaci\u00f3n de pesos<\/h3>\nLos pesos de las conexiones entre las neuronas se actualizan minimizando el error de reconstrucci\u00f3n. La ecuaci\u00f3n de actualizaci\u00f3n se da por:\n\n<img decoding=\"async\" width=\"543\" height=\"120\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/05\/equation-de-mise-a-jour.png\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/05\/equation-de-mise-a-jour.png 543w, https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/05\/equation-de-mise-a-jour-300x66.png 300w\" sizes=\"(max-width: 543px) 100vw, 543px\">\n\ndonde <b>\u0394\u03c9<\/b> es la actualizaci\u00f3n de los pesos, <b><i>\u03b7<\/i><\/b> es la tasa de aprendizaje, <b><i>v<\/i><\/b> y <b><i>h<\/i><\/b> son las activaciones de las neuronas visibles y ocultas, respectivamente, y <b><i>v\u0302<\/i><\/b> y <b><i>\u0125<\/i><\/b> son las activaciones reconstruidas. Esta actualizaci\u00f3n ajusta los pesos para reducir el error entre las activaciones reales y reconstruidas.\n\n<a href=\"https:\/\/liora.io\/es\/nuestros-cursos-de-data\">\nSaber utilizar la RBM\n<\/a>\n<h2>\u00bfCu\u00e1les son las ventajas e inconvenientes de las RBM?<\/h2>\n<h3>1. Ventajas<\/h3>\nLas RBMs tienen varias ventajas. Sus principales beneficios son:\n<ul>\n \t<li><b>Aprendizaje no supervisado<\/b>: El hecho de que las RBMs operen con aprendizaje no supervisado las hace muy efectivas para extraer caracter\u00edsticas a partir de datos brutos.<\/li>\n \t<li><b>Capacidad para modelar datos complejos y de alta dimensi\u00f3n<\/b>: Son capaces de modelar distribuciones complejas y de alta dimensi\u00f3n.<\/li>\n \t<li><b>Usadas como bloques base para arquitecturas profundas (DBN)<\/b>: Constituyen un elemento fundamental en el dise\u00f1o de arquitecturas m\u00e1s profundas, como las Deep Belief Networks.<\/li>\n<\/ul>\n<h3>2. Inconvenientes<\/h3>\n<ul>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Dificultades para encontrar buenos hiperpar\u00e1metros<\/b>: La tasa de aprendizaje debe ajustarse adecuadamente. Un valor demasiado alto puede provocar oscilaciones e impedir la convergencia del modelo, mientras que una tasa demasiado baja ralentiza considerablemente el aprendizaje. Adem\u00e1s, el n\u00famero de neuronas ocultas influye directamente en la capacidad del modelo para aprender representaciones relevantes. Por \u00faltimo, un n\u00famero insuficiente puede limitar la riqueza de las caracter\u00edsticas extra\u00eddas, mientras que un n\u00famero demasiado alto aumenta el riesgo de sobreajuste.<\/li>\n \t<li><b>El proceso de aprendizaje puede ser largo para grandes conjuntos de datos<\/b>: Debido al gran n\u00famero de iteraciones necesarias para ajustar los pesos de manera \u00f3ptima. Esta restricci\u00f3n tambi\u00e9n se vuelve m\u00e1s problem\u00e1tica cuando se trabaja con grandes conjuntos de datos, donde cada actualizaci\u00f3n de pesos requiere muchas operaciones de c\u00e1lculo.<\/li>\n<\/ul>\n<img decoding=\"async\" width=\"1000\" height=\"571\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/05\/Restricted-Boltzmann-Machine-Liora-2.webp\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/05\/Restricted-Boltzmann-Machine-Liora-2.webp 1000w, https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/05\/Restricted-Boltzmann-Machine-Liora-2-300x171.webp 300w, https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/05\/Restricted-Boltzmann-Machine-Liora-2-768x439.webp 768w\" sizes=\"(max-width: 1000px) 100vw, 1000px\">\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\"><div class=\"wp-block-button \"><a class=\"wp-block-button__link wp-element-button \" href=\"https:\/\/liora.io\/es\/nuestros-cursos-de-data\">Formaci\u00f3n en el uso de la RBM<\/a><\/div><\/div>\n\n<h2>\u00bfC\u00f3mo se utilizan las RBM?<\/h2>\nLas RBM han encontrado numerosas aplicaciones en diversos campos:\n<ul>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Filtrado colaborativo<\/b>: Utilizadas en sistemas de recomendaci\u00f3n para predecir las preferencias de los usuarios.<\/li>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Visi\u00f3n por computadora<\/b>: Reconocimiento de objetos, eliminaci\u00f3n de ruido y reconstrucci\u00f3n de im\u00e1genes.<\/li>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Procesamiento del lenguaje natural<\/b>: Modelado del lenguaje, clasificaci\u00f3n de textos y an\u00e1lisis de sentimientos.<\/li>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Bioinform\u00e1tica<\/b>: Predicci\u00f3n de estructuras proteicas, an\u00e1lisis de expresi\u00f3n g\u00e9nica.<\/li>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Finanzas<\/b>: Predicci\u00f3n de precios de acciones, an\u00e1lisis de riesgos y detecci\u00f3n de fraudes.<\/li>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Detecci\u00f3n de anomal\u00edas<\/b>: Identificaci\u00f3n de transacciones fraudulentas, monitoreo de redes y diagn\u00f3stico m\u00e9dico.<\/li>\n<\/ul>\nLas aplicaciones de las RBM son variadas y cubren muchos campos. En los <b>sistemas de recomendaci\u00f3n<\/b>, permiten optimizar el filtrado colaborativo al predecir las preferencias de los usuarios. En visi\u00f3n por computadora, se utilizan para el reconocimiento de objetos, la <b>reducci\u00f3n de ruido de im\u00e1genes<\/b> y la <b>reconstrucci\u00f3n de datos visuales<\/b>. En procesamiento del lenguaje natural, sirven para el modelado del lenguaje, el an\u00e1lisis de sentimientos o incluso la <b>clasificaci\u00f3n de textos<\/b>. Tambi\u00e9n encuentran su lugar en <a href=\"https:\/\/liora.io\/es\/bioinformatica\">bioinform\u00e1tica<\/a>, especialmente para el an\u00e1lisis de expresi\u00f3n g\u00e9nica y la predicci\u00f3n de estructuras proteicas, as\u00ed como en finanzas para la predicci\u00f3n de precios de acciones o la detecci\u00f3n de fraudes. Finalmente, se emplean en <a href=\"https:\/\/liora.io\/es\/inteligencia-artificial-y-ciberseguridad\">ciberseguridad<\/a> y <a href=\"https:\/\/liora.io\/es\/e-salud-todo-sobre\">diagn\u00f3stico m\u00e9dico<\/a>, donde facilitan la identificaci\u00f3n de anomal\u00edas y la detecci\u00f3n de comportamientos inusuales.\n<h2>Conclusi\u00f3n<\/h2>\nLas <b>Restricted Boltzmann Machines<\/b> son herramientas poderosas para el aprendizaje no supervisado y la extracci\u00f3n de caracter\u00edsticas. Su capacidad para aprender representaciones \u00fatiles las hace indispensables para muchas aplicaciones en inteligencia artificial. Aunque presentan algunos desaf\u00edos en t\u00e9rminos de entrenamiento y configuraci\u00f3n, siguen siendo un componente clave en el dise\u00f1o de modelos m\u00e1s avanzados como las <b>Deep Belief Networks<\/b> y otras arquitecturas neuronales profundas.\n\n<a href=\"https:\/\/liora.io\/es\/nuestros-cursos-de-data\">\nDescubra nuestros distintos cursos de formaci\u00f3n\n<\/a>","protected":false},"excerpt":{"rendered":"<p>Las Restricted Boltzmann Machines (RBM) son un tipo de red de neuronas artificiales dise\u00f1adas para el aprendizaje no supervisado. Permiten aprender una distribuci\u00f3n de probabilidad a partir de un conjunto de datos de entrada. Inventadas por Geoffrey Hinton y Terry Sejnowski en 1985, y luego popularizadas en los a\u00f1os 2000, las RBM son particularmente adecuadas [&hellip;]<\/p>\n","protected":false},"author":74,"featured_media":180022,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2440],"class_list":["post-180020","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ia"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/180020","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/users\/74"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/comments?post=180020"}],"version-history":[{"count":5,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/180020\/revisions"}],"predecessor-version":[{"id":183234,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/180020\/revisions\/183234"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media\/180022"}],"wp:attachment":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media?parent=180020"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/categories?post=180020"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}