Utilizando técnicas modernas, como la minería de datos, el modelado estadístico y el aprendizaje automático, los modelos predictivos ayudan a los analistas a realizar previsiones futuras sobre variables de interés como suelen ser ventas, ingresos, gastos, etc. También suelen utilizarse para pronosticar probabilidades de fraude, riesgo, devolución de créditos y siniestro en el seguro. Entre los modelos predictivos más interesantes se encuentran las redes neuronales. MATLAB implementa la herramienta Neural Network Toolbox (Deep Learning Toolbox a partir de la versión 18) especializada en las técnicas de analítica basadas en redes neuronales. Esta caja de herramientas proporciona algoritmos, funciones y aplicaciones para crear, entrenar, visualizar y simular redes neuronales. Puede realizar tareas de clasificación, regresión, agrupación, reducción dimensional, previsión de series temporales y modelado y control de sistemas dinámicos. La caja de herramientas incluye algoritmos de aprendizaje profundo de redes neuronales convolucionales y autocodificadores para tareas de clasificación de imágenes y reconocimiento de patrones. El libro comienza tratando el ajuste de modelos de regresión mediante redes neuronales. A continuación, se profundiza en la segmentación por análisis clúster mediante redes neuronales utilizando mapas autoorganizativos, redes de Kohonen y redes competitivas. A continuación, se aborda el reconocimiento y clasificación de patrones con redes neuronales. El texto continúa tratando temas de aprendizaje profundo (Deep Learning) como el uso de autoencoders para la clasificación de imágenes y el aprendizaje por transferencia mediante redes neuronales convolucionales. Mención especial merecen las redes neuronales para predicción de series temporales (NARX, NARNET, etc.). Finalmente se analizan arquitecturas clásicas de redes neuronales como el perceptrón multicapa, la red de base radial y las redes de Hopfield. Para las redes más importantes, como ajuste de modelos de regresión, análisis clúster, reconocimiento de patrones y predicción con series temporales, se utilizan asistentes visuales dirigidos para trabajar de modo sencillo. Esto facilita la comprensión de las técnicas y la obtención de resultados. Para todos los temas se presentan ejemplos resueltos paso a paso.