Genially sin título

Neural Networks

Maching Learning Algorithms

Perceptron

El perceptron es la representación de una neurona del cuerpo humano.

Perceptron unicapa

Conceptos generales

Neuronas biologicas

Definición del Perceptrón

Ejersicio Resuleto

El perceptrón es el modelo más simple de una red neuronal artificial, introducido por Frank Rosenblatt en 1958. Es un tipo de clasificador lineal que toma una entrada, la procesa a través de pesos y una función de activación, y produce una salida binaria (0 o 1).

Back-Propagation

• Capa de entrada La información del mundo exterior entra en la red neuronal artificial desde la capa de entrada. Los nodos de entrada procesan los datos, los analizan o los clasifican y los pasan a la siguiente capa.

Back-Propagation

• Capa ocultaLas capas ocultas toman su entrada de la capa de entrada o de otras capas ocultas. Las redes neuronales artificiales pueden tener una gran cantidad de capas ocultas. Cada capa oculta analiza la salida de la capa anterior, la procesa aún más y la pasa a la siguiente capa.

Back-Propagation

• Capa de salida La capa de salida proporciona el resultado final de todo el procesamiento de datos que realiza la red neuronal artificial. Puede tener uno o varios nodos.

Back-Propagation

La retropropagación es un algoritmo utilizado para entrenar redes neuronales ajustando los pesos de las conexiones entre neuronas. Funciona en dos fases principales:

• Propagación hacia adelante (Forward Propagation)
• Propagación hacia atrás (Backward Propagation)

Aplicaciones y ejemplos

Reconocimiento de Voz

• Asistentes virtuales
• Transcripciones de Audio a Texto
• Sistema de dictado

Vision por computadora

• Detección de objetos
• Reconocimiento facial
• Clasificación de imagenes

Entretenimiento

• Recomendación de Música y Películas (Spotify, Netflix)

Hopfield Network

• Estructura y arquitectura.

• Cada neurona tiene una salida inversora y una no inversora.
• Al estar completamente conectada, la salida de cada neurona es una entrada para todas las demás neuronas, pero no para uno mismo.

La siguiente figura muestra una representación de muestra de una arquitectura de red neuronal discreta de Hopfield que tiene los siguientes elementos.

• Discreta Hopfield Network
• Es una red neuronal totalmente interconectada donde cada unidad está conectada entre sí. Se comporta de manera discreta, es decir, proporciona una salida finita y distinta, generalmente de dos tipos:

• Binary (0/1)
• Bipolar (-1/1)

Los pesos asociados con esta red son de naturaleza simétrica y tienen las siguientes propiedades.

• Entradas. Es la información que recibe el perceptron.
• Pesos. Son valores numéricos que se encargan de establecer la influencia de una entrada en la salida deseada.

• Bias. Es un parámetro adicional en algunos modelos de redes neuronales que ayuda a encontrar la separación entre las posibles salidas de la red neuronal.
• Función de activación. Es una función matemática que determina el valor de salida después de procesar las entradas.

El perceptron se compone por:

Ejemplo. En el aprendizaje de colores, cuando un niño observa un color, sus ojos capturan una imagen con características específicas que le permiten identificar ese color. Cada una de estas características se considera una entrada en el modelo.

Ejemplo. Al evaluar la posibilidad de que una persona sufra un infarto, se consideran factores como obesidad, falta de ejercicio y diabetes. La obesidad y la diabetes pueden tener un mayor peso en la predicción del riesgo de infarto que la falta de ejercicio, ya que influyen más significativamente.

Ejemplo. En el aprendizaje de colores, la función de activación se aplica para clasificar el color observado. Dependiendo de las características capturadas, el niño decide cuál es el color que visualizó.