Las redes neuronales artificiales y el aprendizaje profundo forman parte del núcleo duro de la inteligencia artificial del siglo XXI.  Hay redes neuronales en Alexa, Google Assistance y Siri, en ChatGPT, en los automóviles de Tesla, en Netflix, en nuestros teléfonos móviles y pulseras de actividad.  Pero esta disciplina no es tan nueva como pueda pensarse, sino que se desarrolla a lo largo de la segunda mitad del siglo XX. 
Hoy en día hay muchas herramientas que facilitan el desarrollo de proyectos con redes neuronales, incluso por personas no expertas, pero sigue siendo una tarea artesanal que requiere experiencia. Así, en este trabajo presentaremos algunas ideas prácticas y consejos a la hora de aplicar redes neuronales artificiales y aprendizaje automático en general, usando como ilustración algunos proyectos reales llevados a cabo por nuestro grupo durante los últimos treinta años, como puedan ser la predicción de quiebras bancarias, el pronóstico del oleaje marino o el desarrollo de cocinas inteligentes. 
Una de las ideas fundamentales es que, para una aplicación concreta, debe utilizarse el algoritmo inteligente más adecuado y, para ello, hay que entrenar varios modelos y comparar los resultados. No conviene matar moscas a cañonazos, en muchos casos un simple modelo de regresión lineal o perceptrón de tres capas va a proporcionar mejores resultados que un algoritmo de aprendizaje profundo de decenas de capas y miles de parámetros, que es probable que sobreajuste. Siempre hay que adaptar la complejidad del modelo a la dificultad y magnitud del problema a resolver.