Resumen Actualmente se pueden encontrar aplicaciones de redes neuronales artificiales en diversos campos debido al rápido desarrollo de la tecnología de la información, abriendo paso a una nueva era de la Identificación de Sistemas (IS) que abarca cada aspecto de nuestra sociedad. El objetivo del presente trabajo es proporcionar a la comunidad estudiantil una visión de las metodologías generales con el fin de proporcionar a los estudiantes un panorama de la Identificación de Sistemas y sus aplicaciones potenciales en ingeniería química y bioquímica. Por lo tanto, se expone el fundamento de los algoritmos de Redes Neuronales Artificiales utilizando un software de hoja de cálculo electrónica (Microsoft Excel®). El manejo de resultados experimentales, construcción de modelos con ecuaciones algebraicas, uso de funciones y modelos matemáticos de minimización, así como el manejo de la herramienta de optimización (SOLVER™) se utilizaron para expresar los conceptos esenciales. Este procedimiento se aplicó, de forma didáctica, a diferentes casos de estudio utilizando redes neuronales feedforward, redes neuronales Dynamic-feedback, redes neuronales dinámicas continuas diferenciales (modelos de caja negra) y redes neuronales híbridas complementarias (Cajas Gris o modelos híbridos). Estos modelos requieren información a través de datos de entrada y generan una salida que predice comportamientos complejos y no lineales. Este trabajo proporciona una introducción al estudiante para que pueda usar modelos básicos de inteligencia artificial aplicados a la ingeniería química y bioquímica. Palabras clave: Inteligencia Artificial Aplicada, Modelos de Redes Neuronales, Optimización en Ingeniería, Modelos algebraicos.