Perceptrón (i)

ia formación fundamentos redes neuronales

✅ Enlaces verificados y operativos en la fecha de elaboración del informe. Algunos recursos pueden requerir registro, suscripción o acceso institucional.

WIKIPEDIA

WEB

• Frank Rosenblatt and the Perceptron — Cornell University – Dossier histórico de Cornell sobre Frank Rosenblatt y el desarrollo del perceptrón. Incluye fotografías de archivo, contexto institucional y una reconstrucción de las demostraciones realizadas a finales de la década de 1950. (Cronica de Cornell)

• Frank Rosenblatt and Charles W. Wightman — Cornell University Library – Registro archivístico de una fotografía de diciembre de 1958 en la que Rosenblatt y Charles W. Wightman trabajan sobre una unidad de asociación del primer perceptrón. Fuente primaria de la Division of Rare and Manuscript Collections. (digital.library.cornell.edu)

• The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain — DOI / American Psychological Association – Artículo fundamental de Frank Rosenblatt publicado en Psychological Review en 1958. Constituye una de las fuentes primarias centrales para estudiar la formulación teórica original del perceptrón. (PubMed Central (PMC))

• Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms — WorldCat – Registro bibliográfico de la monografía de Rosenblatt publicada en 1962, obra esencial para estudiar la teoría de perceptrones en su formulación histórica completa. (WorldCat)

• Frank Rosenblatt — Cornell eCommons – Documento conservado por Cornell que permite reconstruir la trayectoria científica de Rosenblatt y confirma la importancia de Principles of Neurodynamics dentro de su programa de investigación. (eCommons)

• Perceptrons — The MIT Press – Página oficial de la edición moderna del estudio clásico de Marvin Minsky y Seymour Papert sobre las capacidades y limitaciones matemáticas de los perceptrones. (MIT Press)

• Perceptrons: An Introduction to Computational Geometry — The MIT Press, edición original – Registro editorial de la edición de 1969. Es una fuente imprescindible para comprender el debate teórico que siguió al entusiasmo inicial por el perceptrón. (MIT Press)

• Perceptrons Intro and 1969: The Sciences of the Artificial — The MIT Press – Material histórico de MIT Press que contextualiza la publicación de Perceptrons y su lugar en el estudio del aprendizaje, la memoria y la inteligencia artificial. (MIT Press)

• The Perceptron Algorithm — Cornell University – Material docente universitario dedicado específicamente al algoritmo del perceptrón, su regla de actualización y su interpretación como clasificador lineal. (Ciencias de la Computación Cornell)

• CS229: Online Learning and the Perceptron Algorithm — Stanford University – Material oficial del curso CS229 que incorpora notas específicas sobre aprendizaje online y algoritmo del perceptrón dentro de la teoría moderna de aprendizaje automático. (cs229.stanford.edu)

• CS229 — Machine Learning – Curso de Stanford dedicado al aprendizaje automático y reconocimiento estadístico de patrones; incluye el perceptrón entre los modelos fundamentales de clasificación supervisada. (see.stanford.edu)

• Perceptron — scikit-learn – Documentación oficial de la implementación contemporánea de Perceptron en scikit-learn. Permite estudiar parámetros, entrenamiento, coeficientes, predicción y relación con SGDClassifier. (scikit-learn)

• Linear Models: Perceptron — scikit-learn – Sección del manual oficial que sitúa al perceptrón entre los clasificadores lineales y explica sus actualizaciones basadas en errores de clasificación. (scikit-learn)

• Neural Network Models — scikit-learn – Documentación dedicada al perceptrón multicapa y a las redes neuronales supervisadas, útil para estudiar la evolución conceptual desde el perceptrón lineal hasta los MLP no lineales. (scikit-learn)

• Multilayer Perceptrons for Digit Recognition — TensorFlow – Guía oficial que presenta la ecuación básica de un perceptrón y construye a partir de ella un perceptrón multicapa para clasificación. (TensorFlow)

• TensorFlow Playground – Entorno interactivo oficial que permite visualizar fronteras de decisión, pesos, capas ocultas y funciones de activación, especialmente útil para comparar modelos lineales con redes multicapa. (playground.tensorflow.org)

• Build the Neural Network — PyTorch – Tutorial oficial sobre construcción de redes neuronales mediante transformaciones lineales y activaciones no lineales; permite conectar el perceptrón histórico con la arquitectura de redes actuales. (PyTorch Docs)

• torch.nn — PyTorch – Documentación oficial de los bloques de construcción de redes neuronales en PyTorch, incluidas capas lineales y funciones de activación que generalizan computacionalmente la estructura del perceptrón. (PyTorch Docs)

• Explained: Neural Networks — MIT – Explicación institucional de la evolución desde el perceptrón de Rosenblatt hasta las redes neuronales profundas. MIT caracteriza el perceptrón como una de las primeras redes entrenables. (MIT News)

• Learning Representations by Back-propagating Errors — Nature – Artículo de Rumelhart, Hinton y Williams de 1986 que documenta la generalización del aprendizaje a unidades ocultas mediante retropropagación, una etapa decisiva posterior al perceptrón simple. (Nature)

• Neural Networks and Deep Learning — Nature – Revisión histórica y técnica de Yann LeCun, Yoshua Bengio y Geoffrey Hinton que sitúa los modelos neuronales tempranos dentro de la genealogía del aprendizaje profundo.

• Verified Perceptron Convergence Theorem — ACM Digital Library – Trabajo dedicado a la verificación formal del teorema de convergencia del perceptrón, resultado fundamental que garantiza convergencia bajo separabilidad lineal. (ACM Digital Library)

• Perceptron-based Learning Algorithms — IEEE Xplore – Revisión de Stephen Gallant sobre algoritmos supervisados derivados del aprendizaje del perceptrón y sus variantes. (IEEE Xplore)

• The Turbulent Past and Uncertain Future of Artificial Intelligence — IEEE Spectrum – Historia general de la inteligencia artificial que incluye a Rosenblatt y el perceptrón dentro del desarrollo temprano de las redes neuronales. (IEEE Spectrum)

• Communications of the ACM – Publicación profesional y científica de ACM con documentación histórica y técnica sobre aprendizaje automático, redes neuronales y la evolución desde el perceptrón hasta modelos contemporáneos.

• Machine Learning — Google for Developers – Conjunto de recursos técnicos sobre clasificadores, redes neuronales, funciones de activación, optimización y aprendizaje supervisado, útil para contextualizar el perceptrón en los sistemas actuales.

• Neural Networks and Deep Learning — IBM – Material técnico institucional dedicado a los principios de las redes neuronales artificiales y su evolución desde unidades de procesamiento lineal hacia arquitecturas profundas.

YOUTUBE

• Cornell University — YouTube – Canal institucional de la universidad vinculada directamente a Frank Rosenblatt y al desarrollo histórico del perceptrón.

• MIT OpenCourseWare — YouTube – Cursos universitarios completos de inteligencia artificial, aprendizaje automático, álgebra lineal y redes neuronales.

• Stanford Online — YouTube – Canal académico de Stanford con clases de aprendizaje automático y redes neuronales vinculadas a cursos como CS229.

• DeepLearningAI — YouTube – Canal educativo especializado en redes neuronales y aprendizaje profundo, útil para estudiar la transición conceptual desde unidades lineales hasta arquitecturas multicapa.

• 3Blue1Brown — YouTube – Canal matemático de Grant Sanderson. Su serie sobre redes neuronales proporciona una visualización especialmente clara de pesos, sesgos, activaciones, capas y retropropagación.

• StatQuest with Josh Starmer — YouTube – Canal educativo dedicado a estadística y aprendizaje automático con explicaciones matemáticas de clasificadores lineales, regresión, funciones de pérdida y redes neuronales.

• Computerphile — YouTube – Canal asociado a la University of Nottingham con entrevistas y explicaciones sobre inteligencia artificial, aprendizaje automático y redes neuronales.

• IBM Technology — YouTube – Canal técnico de IBM con contenidos educativos sobre clasificación, aprendizaje supervisado, redes neuronales y aprendizaje profundo.

• Google for Developers — YouTube – Material audiovisual oficial sobre machine learning, TensorFlow y arquitectura de redes neuronales.

• IEEE Signal Processing Society — YouTube – Conferencias y seminarios relacionados con aprendizaje estadístico, reconocimiento de patrones y redes neuronales.

PODCAST

• The TWIML AI Podcast – Programa especializado en investigación y aplicaciones de machine learning, con entrevistas a investigadores sobre redes neuronales, optimización y aprendizaje profundo.

• The Gradient Podcast – Podcast asociado a The Gradient, dedicado a investigación, historia y debates técnicos en inteligencia artificial y aprendizaje automático.

• Data Skeptic – Podcast de ciencia de datos y machine learning que aborda modelos de clasificación, redes neuronales y fundamentos estadísticos.

• Lex Fridman Podcast – Archivo de entrevistas extensas con investigadores de inteligencia artificial, aprendizaje automático, neurociencia y matemáticas.

• ACM ByteCast – Podcast oficial de Association for Computing Machinery con entrevistas a especialistas en informática, inteligencia artificial y aprendizaje automático.

• The Joy of Why — Quanta Magazine – Podcast sobre matemáticas y ciencias fundamentales útil para profundizar en los fundamentos matemáticos que sustentan aprendizaje, optimización y redes.

LIBROS

• Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms — Frank Rosenblatt – Obra primaria publicada en 1962 en la que Rosenblatt desarrolla sistemáticamente su programa de perceptrones, aprendizaje y mecanismos cerebrales. (WorldCat)

• Perceptrons: An Introduction to Computational Geometry — Marvin Minsky y Seymour Papert – Análisis matemático clásico de las capacidades representacionales y limitaciones de determinados sistemas perceptrón. La edición moderna incluye material histórico adicional. (MIT Press)

• Deep Learning — Ian Goodfellow, Yoshua Bengio y Aaron Courville – Tratado de referencia sobre redes neuronales y aprendizaje profundo. Sitúa los modelos lineales y las unidades neuronales dentro de la arquitectura matemática de redes modernas.

• Pattern Recognition and Machine Learning — Christopher M. Bishop – Texto académico fundamental sobre clasificación, aprendizaje estadístico, modelos lineales, funciones discriminantes y redes neuronales.

• Neural Networks and Learning Machines — Simon Haykin – Tratamiento amplio de redes neuronales, aprendizaje supervisado, perceptrones, funciones de base y métodos de optimización.

• The Elements of Statistical Learning — Trevor Hastie, Robert Tibshirani y Jerome Friedman – Obra de referencia sobre métodos estadísticos de aprendizaje, clasificación lineal, redes neuronales, máquinas de vectores soporte y evaluación de modelos.

• Understanding Machine Learning: From Theory to Algorithms — Shai Shalev-Shwartz y Shai Ben-David – Presentación rigurosa de la teoría del aprendizaje, incluidos clasificadores lineales, separabilidad, generalización y algoritmos online.

• Foundations of Machine Learning — Mehryar Mohri, Afshin Rostamizadeh y Ameet Talwalkar – Tratado matemático sobre generalización, clasificación, aprendizaje online y algoritmos fundamentales relacionados con la familia del perceptrón.

• Probabilistic Machine Learning: An Introduction — Kevin P. Murphy – Referencia contemporánea sobre aprendizaje automático probabilístico, modelos lineales y clasificación; proporciona el marco moderno en el que comparar el perceptrón con métodos probabilísticos.

• Understanding Deep Learning — Simon J. D. Prince – Libro académico de acceso abierto dedicado a los fundamentos matemáticos y computacionales de las redes profundas.

• Parallel Distributed Processing — David E. Rumelhart, James L. McClelland y PDP Research Group – Obra histórica central del conexionismo de los años ochenta y del renacimiento de las redes neuronales multicapa.

• Neural Networks and Deep Learning — Michael Nielsen – Libro digital de libre acceso que explica desde neuronas artificiales básicas hasta descenso de gradiente y retropropagación.

• Neural Networks and Deep Learning: A Textbook — Charu C. Aggarwal – Tratado sistemático sobre arquitecturas neuronales, aprendizaje, funciones de activación, optimización y modelos profundos.

• Artificial Intelligence: A Modern Approach — Stuart Russell y Peter Norvig – Manual de referencia general de inteligencia artificial que permite situar el perceptrón dentro de la historia del aprendizaje automático y de los agentes inteligentes.

• Machine Learning — Tom M. Mitchell – Texto clásico de aprendizaje automático con material sobre clasificación, aprendizaje inductivo y redes neuronales.

• Pattern Classification — Richard O. Duda, Peter E. Hart y David G. Stork – Referencia clásica en reconocimiento estadístico de patrones y discriminantes lineales, marco matemático directamente relacionado con el perceptrón.

REVISTAS

• Psychological Review – Revista de American Psychological Association en la que Rosenblatt publicó en 1958 su artículo fundamental sobre el perceptrón.

• Neural Networks – Revista oficial de International Neural Network Society, European Neural Network Society y Japanese Neural Network Society dedicada a teoría y aplicaciones de redes neuronales.

• IEEE Transactions on Neural Networks and Learning Systems – Revista especializada en teoría, diseño y aplicaciones de redes neuronales y sistemas de aprendizaje.

• Neural Computation – Revista de The MIT Press centrada en modelos neuronales, aprendizaje computacional, neurociencia teórica y representación.

• Journal of Machine Learning Research – Revista académica de acceso abierto especializada en teoría y algoritmos de machine learning.

• Machine Learning – Revista científica dedicada al estudio teórico, computacional y aplicado de algoritmos de aprendizaje.

• Nature Machine Intelligence – Revista de investigación en inteligencia artificial, machine learning, robótica y sistemas adaptativos.

• Artificial Intelligence – Publicación científica histórica dedicada a los fundamentos y aplicaciones de la inteligencia artificial.

• Pattern Recognition – Revista especializada en clasificación, visión por computador, reconocimiento estadístico y machine learning.

• IEEE Transactions on Pattern Analysis and Machine Intelligence – Revista de IEEE Computer Society sobre reconocimiento de patrones, visión, inteligencia artificial y aprendizaje automático.

MUSEOS

• Computer History Museum – Museo de referencia internacional para estudiar la historia del hardware, la informática y la inteligencia artificial. Sus colecciones permiten contextualizar el periodo tecnológico en que apareció el perceptrón.

• MIT Museum – Museo del Massachusetts Institute of Technology con fondos sobre informática, inteligencia artificial, cibernética y desarrollo tecnológico.

• National Museum of American History — Smithsonian Institution – Museo estadounidense con colecciones históricas de computación, electrónica, ciencia y tecnología.

• Science Museum – Museo británico con importantes colecciones de computación, matemáticas e inteligencia artificial.

• Heinz Nixdorf MuseumsForum – Museo alemán dedicado específicamente a la historia de la información y la computación.

• Deutsches Museum – Museo de ciencia y tecnología de Múnich con colecciones dedicadas a informática, electrónica, matemáticas y automatización.

• Musée des Arts et Métiers – Museo parisino de ciencia y tecnología con fondos históricos sobre cálculo, automatización y máquinas de información.

• Miraikan — The National Museum of Emerging Science and Innovation – Museo científico japonés dedicado a ciencia emergente, robótica e inteligencia artificial.

• Questacon – National Science and Technology Centre de Australia, con exposiciones educativas relacionadas con matemáticas, computación y tecnología.

• Iziko Museums of South Africa – Red museística científica sudafricana útil como punto de referencia para la historia y divulgación tecnológica en África.

UNIVERSIDADES

• Cornell University – Institución esencial para cualquier investigación sobre el perceptrón: Rosenblatt estudió y trabajó en Cornell y el archivo universitario conserva documentación histórica sobre su actividad. (Cronica de Cornell)

• Massachusetts Institute of Technology – Institución asociada con Marvin Minsky y Seymour Papert y con la investigación histórica y contemporánea en inteligencia artificial y redes neuronales.

• Stanford University — Artificial Intelligence Laboratory – Centro histórico de investigación en inteligencia artificial y aprendizaje automático, con abundantes cursos y materiales sobre clasificadores lineales y redes.

• Carnegie Mellon University — Machine Learning Department – Departamento universitario especializado íntegramente en machine learning, con investigación en teoría, optimización, aprendizaje online y redes neuronales.

• University of Toronto — Department of Computer Science – Centro de investigación estrechamente relacionado con el desarrollo del aprendizaje profundo y las redes neuronales modernas.

• New York University — Center for Data Science – Centro universitario con investigación avanzada en machine learning y aprendizaje profundo.

• Université de Montréal — Mila – Instituto universitario canadiense dedicado a inteligencia artificial y aprendizaje profundo, asociado históricamente con Yoshua Bengio.

• University College London — Centre for Artificial Intelligence – Centro británico dedicado a investigación en inteligencia artificial, representación, aprendizaje y sistemas adaptativos.

• Tsinghua University — Institute for Artificial Intelligence – Centro asiático de investigación en inteligencia artificial, aprendizaje automático y modelos neuronales.

• The University of Tokyo — Graduate School of Information Science and Technology – Institución japonesa con actividad en aprendizaje automático, inteligencia artificial y reconocimiento de patrones.

• The Australian National University — School of Computing – Centro académico de Oceanía con investigación en inteligencia artificial, aprendizaje automático y visión computacional.

• University of Cape Town — Department of Computer Science – Centro universitario africano con actividad docente e investigadora en inteligencia artificial y aprendizaje automático.

ASOCIACIONES

• Association for Computing Machinery – Principal asociación profesional internacional de informática, editora de literatura científica sobre machine learning, inteligencia artificial y teoría del aprendizaje.

• IEEE Computational Intelligence Society – Sociedad de IEEE especializada en redes neuronales, computación evolutiva, sistemas difusos y aprendizaje computacional.

• Association for the Advancement of Artificial Intelligence – Asociación científica internacional dedicada al progreso y estudio de la inteligencia artificial.

• International Neural Network Society – Organización científica específicamente dedicada a redes neuronales y sistemas de aprendizaje inspirados en el cerebro.

• European Neural Network Society – Asociación europea especializada en investigación sobre redes neuronales, inteligencia computacional y aprendizaje automático.

• Japanese Neural Network Society – Sociedad científica japonesa centrada en redes neuronales, neurociencia computacional y modelos de aprendizaje.

• International Association for Pattern Recognition – Organización internacional dedicada al reconocimiento de patrones, visión por computador y aprendizaje automático.

• European Association for Artificial Intelligence – Asociación europea dedicada a investigación, educación y cooperación científica en inteligencia artificial.

• ELLIS — European Laboratory for Learning and Intelligent Systems – Red europea de investigación especializada en machine learning moderno y sistemas inteligentes.

• CAIRNE — Confederation of Laboratories for Artificial Intelligence Research in Europe – Red europea que agrupa laboratorios de investigación dedicados a inteligencia artificial.

NEWSLETTER

• The Batch — DeepLearning.AI – Boletín especializado en inteligencia artificial y aprendizaje automático, con atención continuada a redes neuronales y desarrollos técnicos.

• Import AI – Newsletter de Jack Clark dedicada al seguimiento crítico de la investigación internacional en inteligencia artificial.

• ACM TechNews – Boletín de Association for Computing Machinery que selecciona noticias sobre informática, aprendizaje automático e inteligencia artificial.

• IEEE Spectrum Newsletters – Boletines especializados de IEEE sobre inteligencia artificial, computación, robótica y tecnologías emergentes.

• Nature Briefing – Sistema de boletines científicos de Nature, incluido seguimiento de avances relacionados con inteligencia artificial y machine learning.

• Stanford HAI Newsletter – Información periódica del Stanford Institute for Human-Centered Artificial Intelligence sobre investigación y evolución del campo.

• MIT CSAIL News – Noticias y actualizaciones del MIT Computer Science and Artificial Intelligence Laboratory.

• The Gradient – Publicación y boletín dedicado a investigación, historia, análisis técnico y debate académico sobre inteligencia artificial.

TV

• BBC – Radiotelevisión pública británica con archivo documental sobre historia de la computación, inteligencia artificial y evolución de las redes neuronales.

• PBS – Servicio público estadounidense con documentales de ciencia, informática e inteligencia artificial.

• ARTE – Canal cultural europeo con producción documental sobre tecnología, ciencia, inteligencia artificial y sociedad.

• NHK – Radiotelevisión pública japonesa con producción científica y tecnológica relevante para el estudio internacional de la inteligencia artificial.

• ABC Australia – Corporación pública australiana con programación de ciencia y tecnología.

• CBC – Radiotelevisión pública canadiense con contenidos sobre inteligencia artificial, investigación universitaria y ciencia.

• RTVE – Corporación pública española con programas y archivo audiovisual de ciencia, informática e inteligencia artificial.

• DW – Servicio internacional alemán con cobertura documental y periodística sobre automatización, inteligencia artificial y transformación tecnológica.

RADIO

• BBC Radio 4 – Emisora británica con programas de ciencia e historia intelectual que documentan el desarrollo de la informática y la inteligencia artificial.

• NPR – Red pública estadounidense con cobertura de inteligencia artificial, tecnología, investigación científica y cultura digital.

• France Culture – Emisora cultural francesa con programas dedicados a matemáticas, informática, historia de la ciencia e inteligencia artificial.

• ABC Radio National – Radio pública australiana con programación especializada en ciencia y tecnología.

• Deutschlandfunk – Radio pública alemana con espacios de ciencia, investigación y transformación tecnológica.

• CBC Radio – Servicio radiofónico canadiense con contenidos sobre ciencia, tecnología y desarrollo de la inteligencia artificial.

• Radio Nacional de España – Radio pública española con archivo científico y tecnológico.

• RFI – Radio internacional francesa con cobertura global de ciencia, tecnología e inteligencia artificial.

PRENSA ONLINE

• MIT News — Explained: Neural Networks – Artículo institucional que reconstruye la evolución desde el perceptrón de Rosenblatt hasta las redes neuronales profundas. (MIT News)

• Cornell Chronicle — Professor’s Perceptron Paved the Way for AI – Una de las mejores reconstrucciones documentales disponibles sobre Rosenblatt y el contexto experimental del perceptrón. (Cronica de Cornell)

• IEEE Spectrum – Publicación tecnológica de IEEE con artículos históricos y técnicos sobre inteligencia artificial y redes neuronales.

• Quanta Magazine – Publicación especializada en matemáticas y ciencias fundamentales con cobertura detallada de aprendizaje, optimización, teoría y redes neuronales.

• The New York Times – Archivo periodístico de gran valor histórico: el lanzamiento del perceptrón recibió cobertura contemporánea en la prensa estadounidense, aspecto documentado por Cornell.

• The Guardian – Cobertura continuada sobre inteligencia artificial, machine learning y evolución de las redes neuronales.

• Scientific American – Publicación científica con artículos de divulgación sobre cerebro, computación, redes neuronales y aprendizaje automático.

• New Scientist – Publicación internacional de ciencia que cubre inteligencia artificial, neurocomputación y aprendizaje automático.

• Nature – Portal de la revista científica y sus publicaciones asociadas; fuente imprescindible para localizar investigación y análisis sobre redes neuronales.

• Science – Publicación de American Association for the Advancement of Science con cobertura científica y periodística de inteligencia artificial y machine learning.

PRENSA ESCRITA

• The New York Times – Diario fundamental para reconstruir la recepción pública inicial del perceptrón en Estados Unidos durante el periodo de Rosenblatt. Cornell documenta la cobertura realizada en 1958.

• The New Yorker – Revista histórica que participó en la temprana recepción mediática del perceptrón y del debate sobre máquinas capaces de aprender, según la reconstrucción archivística de Cornell.

• Scientific American – Revista histórica de divulgación científica especialmente útil para investigar la evolución del conocimiento público sobre redes neuronales, cerebro y computación.

• New Scientist – Semanario científico británico con amplia trayectoria en inteligencia artificial, ciencias cognitivas y computación.

• Nature – Revista científica internacional que publicó en 1986 el artículo de Rumelhart, Hinton y Williams sobre retropropagación, pieza clave para comprender la superación práctica de las limitaciones del perceptrón simple. (Nature)

• Science – Revista científica internacional con seguimiento histórico de avances en informática, neurociencia, inteligencia artificial y aprendizaje automático.

• Communications of the ACM – Publicación profesional de ACM con artículos técnicos e históricos sobre inteligencia artificial y machine learning.

• IEEE Spectrum – Revista de IEEE que documenta tanto la historia de la inteligencia artificial como la evolución tecnológica de sus sistemas. (IEEE Spectrum)

• MIT Technology Review – Revista tecnológica del Massachusetts Institute of Technology con cobertura de inteligencia artificial, machine learning y evolución de las arquitecturas neuronales.

• Quanta Magazine – Publicación científica de referencia para estudiar los fundamentos matemáticos que subyacen a clasificación, optimización y aprendizaje neuronal.