ITI7005 - TIPOS DE REDES NEURONALES ARTIFICIALES

Aprendizaje Supervisado

CNN

Redes Neuronales Convolucionales

Aprendizaje No Supervisado

RNN

Redes Neuronales Recurrentes

TIPOSDE REDES NEURONALES ARTIFICIALES

Hibridas

Redes Neuronales Generativas

SEGÚN SU ARQUITECTURA

SEGÚN EL TIPODE APRENDIZAJE

Clasificación

Regresión

Redes neuronales poco profundas

SEGÚN SU OBJETIVO

Detecciónde objetos

Redes neuronales profundas

SEGÚN SU PROFUNDIDAD

Generación de texto o imágenes

Detección de objetos: Estas redes neuronales se utilizan para detectar y localizar objetos específicos dentro de una imagen. Son ampliamente utilizadas en aplicaciones de visión por computadora, como la detección de rostros, vehículos o señales de tráfico.

Redes neuronales poco profundas: Tienen una o dos capas ocultas y se utilizan en tareas más simples.

Redes Neuronales Generativas (Generative Neural Networks): Estas redes se utilizan para generar nuevos datos sintéticos que sean similares a los datos de entrenamiento. Ejemplos populares incluyen las Redes Generativas Adversariales (Generative Adversarial Networks, GAN) y las Redes Generativas Autoregresivas (Autoregressive Generative Networks, VAE).

Redes Neuronales Generativas (Generative Neural Networks): Estas redes se utilizan para generar nuevos datos sintéticos que sean similares a los datos de entrenamiento. Ejemplos populares incluyen las Redes Generativas Adversariales (Generative Adversarial Networks, GAN) y las Redes Generativas Autoregresivas (Autoregressive Generative Networks, VAE).

Clasificación: Estas redes neuronales se utilizan para problemas de clasificación, donde se busca asignar una etiqueta o categoría a una determinada entrada. Por ejemplo, clasificar imágenes en diferentes categorías o clasificar correos electrónicos como spam o no spam.

Clasificación: Estas redes neuronales se utilizan para problemas de clasificación, donde se busca asignar una etiqueta o categoría a una determinada entrada. Por ejemplo, clasificar imágenes en diferentes categorías o clasificar correos electrónicos como spam o no spam.

Redes neuronales profundas: Tienen varias capas ocultas y son capaces de aprender representaciones de características más complejas.

Regresión: Estas redes neuronales se utilizan para problemas de regresión, donde el objetivo es predecir un valor numérico continuo. Por ejemplo, predecir el precio de una casa en función de sus características o predecir el rendimiento de una acción en función de datos históricos.

Generación de texto o imágenes: Estas redes neuronales se utilizan para generar texto coherente o imágenes realistas a partir de un conjunto de datos de entrenamiento. Por ejemplo, generar subtítulos automáticos para imágenes o generar imágenes sintéticas basadas en ciertos atributos.

Redes Neuronales Convolucionales (Convolutional Neural Networks, CNN): Son ampliamente utilizadas en tareas de visión por computadora y procesamiento de imágenes. Están diseñadas para reconocer patrones espaciales en datos de tipo matriz, como imágenes.

Redes neuronales profundas: Tienen varias capas ocultas y son capaces de aprender representaciones de características más complejas.

Redes Neuronales Artificiales de Aprendizaje No Supervisado: Las redes neuronales de aprendizaje no supervisado se entrenan en ausencia de etiquetas o salidas deseadas. Estas redes buscan aprender patrones, estructuras o representaciones útiles en los datos de entrada sin la guía explícita de las salidas correctas. Algunos ejemplos de redes neuronales de aprendizaje no supervisado son las redes neuronales autoencoders, que se utilizan para la reducción de dimensionalidad y la generación de datos sintéticos, y las redes neuronales generativas adversariales (GAN), que se utilizan para generar datos realistas.

Redes Neuronales Artificiales de Aprendizaje Supervisado: Las redes neuronales de aprendizaje supervisado son aquellas que se entrenan utilizando ejemplos etiquetados, es decir, datos de entrada junto con sus correspondientes salidas deseadas. Estas redes buscan aprender a mapear los datos de entrada a las salidas correctas. Algunos ejemplos populares de redes neuronales de aprendizaje supervisado son las redes neuronales feedforward y las redes neuronales convolucionales utilizadas en tareas de clasificación de imágenes y reconocimiento de voz.

Regresión: Estas redes neuronales se utilizan para problemas de regresión, donde el objetivo es predecir un valor numérico continuo. Por ejemplo, predecir el precio de una casa en función de sus características o predecir el rendimiento de una acción en función de datos históricos.

Redes neuronales poco profundas: Tienen una o dos capas ocultas y se utilizan en tareas más simples.

Detección de objetos: Estas redes neuronales se utilizan para detectar y localizar objetos específicos dentro de una imagen. Son ampliamente utilizadas en aplicaciones de visión por computadora, como la detección de rostros, vehículos o señales de tráfico.

Generación de texto o imágenes: Estas redes neuronales se utilizan para generar texto coherente o imágenes realistas a partir de un conjunto de datos de entrenamiento. Por ejemplo, generar subtítulos automáticos para imágenes o generar imágenes sintéticas basadas en ciertos atributos.

Redes Neuronales Artificiales Hibridas: Las redes neuronales híbridas combinan elementos de aprendizaje supervisado y no supervisado en su entrenamiento y arquitectura. Estas redes pueden aprovechar la capacidad de aprender estructuras o representaciones útiles a partir de datos no etiquetados y, al mismo tiempo, utilizar información supervisada para ajustar su rendimiento en una tarea específica. Algunos ejemplos de redes neuronales híbridas incluyen las redes neuronales semi-supervisadas, que utilizan datos etiquetados y no etiquetados durante el entrenamiento, y las redes neuronales reforzadas, que combinan el aprendizaje por refuerzo con el aprendizaje supervisado o no supervisado para aprender a tomar decisiones y maximizar recompensas.

Redes Neuronales Convolucionales (Convolutional Neural Networks, CNN): Son ampliamente utilizadas en tareas de visión por computadora y procesamiento de imágenes. Están diseñadas para reconocer patrones espaciales en datos de tipo matriz, como imágenes.

Redes Neuronales Artificiales de Aprendizaje No Supervisado: Las redes neuronales de aprendizaje no supervisado se entrenan en ausencia de etiquetas o salidas deseadas. Estas redes buscan aprender patrones, estructuras o representaciones útiles en los datos de entrada sin la guía explícita de las salidas correctas. Algunos ejemplos de redes neuronales de aprendizaje no supervisado son las redes neuronales autoencoders, que se utilizan para la reducción de dimensionalidad y la generación de datos sintéticos, y las redes neuronales generativas adversariales (GAN), que se utilizan para generar datos realistas.

Redes Neuronales Recurrentes (Recurrent Neural Networks, RNN): Son adecuadas para el procesamiento de secuencias y datos de naturaleza temporal, como el procesamiento del lenguaje natural y el reconocimiento de voz. Las RNN utilizan conexiones recurrentes que les permiten tener una memoria interna y capturar dependencias a largo plazo en los datos secuenciales.

Redes Neuronales Recurrentes (Recurrent Neural Networks, RNN): Son adecuadas para el procesamiento de secuencias y datos de naturaleza temporal, como el procesamiento del lenguaje natural y el reconocimiento de voz. Las RNN utilizan conexiones recurrentes que les permiten tener una memoria interna y capturar dependencias a largo plazo en los datos secuenciales.

Redes Neuronales Artificiales Hibridas: Las redes neuronales híbridas combinan elementos de aprendizaje supervisado y no supervisado en su entrenamiento y arquitectura. Estas redes pueden aprovechar la capacidad de aprender estructuras o representaciones útiles a partir de datos no etiquetados y, al mismo tiempo, utilizar información supervisada para ajustar su rendimiento en una tarea específica. Algunos ejemplos de redes neuronales híbridas incluyen las redes neuronales semi-supervisadas, que utilizan datos etiquetados y no etiquetados durante el entrenamiento, y las redes neuronales reforzadas, que combinan el aprendizaje por refuerzo con el aprendizaje supervisado o no supervisado para aprender a tomar decisiones y maximizar recompensas.

Redes Neuronales Artificiales de Aprendizaje Supervisado: Las redes neuronales de aprendizaje supervisado son aquellas que se entrenan utilizando ejemplos etiquetados, es decir, datos de entrada junto con sus correspondientes salidas deseadas. Estas redes buscan aprender a mapear los datos de entrada a las salidas correctas. Algunos ejemplos populares de redes neuronales de aprendizaje supervisado son las redes neuronales feedforward y las redes neuronales convolucionales utilizadas en tareas de clasificación de imágenes y reconocimiento de voz.