La enfermedad de Alzheimer (EA) es una enfermedad que afecta al sistema neurológico en personas comúnmente de 65 años o más. Es una de las principales causas de demencia y, posteriormente, la causa de muerte, ya que afecta y destruye gradualmente las células cerebrales. En los últimos años, se ha examinado la detección de la EA de maneras para mitigar sus impactos, considerando la detección temprana a través de herramientas de diagnóstico asistido por computadora (CAD). En este estudio, desarrollamos modelos de aprendizaje profundo que se centran en la detección temprana y la clasificación de cada caso: no demente, moderadamente demente, levemente demente y muy levemente demente, respectivamente, a través del aprendizaje por transferencia (TL); un AlexNet, ResNet-50, GoogleNet (InceptionV3) y SqueezeNet utilizando imágenes de resonancia magnética (IRM) y el uso de aumento de imágenes. Las imágenes adquiridas, un total de 12,800 imágenes y cuatro clasificaciones, tuvieron que pasar por una fase de preprocesamiento para ser equilibradas y ajustarse a los criterios de cada modelo. Cada uno de estos modelos propuestos dividió los datos en un 80% para entrenamiento y un 20% para pruebas. AlexNet obtuvo una precisión promedio del 98.05%, GoogleNet (InceptionV3) obtuvo una precisión promedio del 97.80%, y ResNet-50 tuvo una precisión promedio del 91.11%. El enfoque de aprendizaje por transferencia ayuda cuando no hay suficientes datos para entrenar una red desde el principio, lo que ayuda a abordar uno de los principales desafíos que se enfrentan al trabajar con aprendizaje profundo.