5d34bc4eb8
|
||
|---|---|---|
| .. | ||
| 03-Perceptron | ||
| 04-OwnFramework | ||
| 05-Frameworks | ||
| README.md | ||
README.md
Introducción a las Redes Neuronales
Como discutimos en la introducción, una de las formas de alcanzar la inteligencia es entrenar un modelo computacional o un cerebro artificial. Desde mediados del siglo XX, los investigadores han probado diferentes modelos matemáticos, hasta que en años recientes esta dirección ha demostrado ser enormemente exitosa. Estos modelos matemáticos del cerebro se conocen como redes neuronales.
A veces, las redes neuronales se llaman Redes Neuronales Artificiales, ANNs, para indicar que estamos hablando de modelos, no de redes reales de neuronas.
Aprendizaje Automático
Las Redes Neuronales son parte de una disciplina más amplia llamada Aprendizaje Automático, cuyo objetivo es utilizar datos para entrenar modelos computacionales que sean capaces de resolver problemas. El Aprendizaje Automático constituye una gran parte de la Inteligencia Artificial; sin embargo, no cubrimos el aprendizaje automático clásico en este currículo.
Visita nuestro currículo separado de Aprendizaje Automático para Principiantes para aprender más sobre el aprendizaje automático clásico.
En el Aprendizaje Automático, asumimos que tenemos un conjunto de datos de ejemplos X, y los valores de salida correspondientes Y. Los ejemplos son a menudo vectores N-dimensionales que consisten en características, y las salidas se llaman etiquetas.
Consideraremos los dos problemas más comunes en el aprendizaje automático:
- Clasificación, donde necesitamos clasificar un objeto de entrada en dos o más clases.
- Regresión, donde necesitamos predecir un número numérico para cada una de las muestras de entrada.
Al representar las entradas y salidas como tensores, el conjunto de datos de entrada es una matriz de tamaño M×N, donde M es el número de muestras y N es el número de características. Las etiquetas de salida Y son el vector de tamaño M.
En este currículo, nos enfocaremos únicamente en los modelos de redes neuronales.
Un Modelo de Neurona
Desde la biología sabemos que nuestro cerebro está compuesto por células neuronales, cada una de ellas con múltiples "entradas" (axones) y una salida (dendrita). Los axones y dendritas pueden conducir señales eléctricas, y las conexiones entre axones y dendritas pueden exhibir diferentes grados de conductividad (controlados por neuromediadores).
 |
 |
|---|---|
| Neurona Real (Imagen de Wikipedia) | Neurona Artificial (Imagen del Autor) |
Así, el modelo matemático más simple de una neurona contiene varias entradas X1, ..., XN y una salida Y, junto con una serie de pesos W1, ..., WN. La salida se calcula como:
donde f es alguna función de activación no lineal.
Los primeros modelos de neuronas fueron descritos en el artículo clásico Un cálculo lógico de las ideas inherentes a la actividad nerviosa de Warren McCullock y Walter Pitts en 1943. Donald Hebb, en su libro "La Organización del Comportamiento: Una Teoría Neuropsicológica", propuso la forma en que esas redes pueden ser entrenadas.
En esta Sección
En esta sección aprenderemos sobre:
- Perceptrón, uno de los primeros modelos de redes neuronales para clasificación de dos clases
- Redes multicapa con un cuaderno emparejado cómo construir nuestro propio marco
- Marcos de Redes Neuronales, con estos cuadernos: PyTorch y Keras/Tensorflow
- Sobreajuste
Disclaimer:
This document has been translated using machine-based AI translation services. While we strive for accuracy, please be aware that automated translations may contain errors or inaccuracies. The original document in its native language should be considered the authoritative source. For critical information, professional human translation is recommended. We are not liable for any misunderstandings or misinterpretations arising from the use of this translation.