Aprendizaje profundo y redes neuronales

01

Recta de regresión definida por una recta

Neurona: unidad básica de procesamiento dentro de una red neuronal. Otra manera de entender este problema es encontrar los valores límite entre lo que es correcto y lo que es incorrecto para crear una línea que haga de límite.

La neurona

Aprendizaje profundo y redes neuronales

Red neuronal: familia de algoritmos muy potentes con los que podemos modelar comportamientos inteligentes. Cada parte de esta se denomina neurona.

Estas neuronas tienen conexiones de entrada a través de las que reciben estímulos externos, la neurona realiza un cálculo interno y generará un valor de salida (como una función matemática) Se podría decir que es algo así como un modelo de regresión lineal.

Pueden tener variables binarias (valor = 0/1)WX ≤ UMBRAL -> Y=0 WX > UMBRAL -> Y=1, se van cambiando las variables hasta encontrar la combinación perfecta.

Recta de regresión definida por dos rectas

Adela Muñoz Ruiz Celia Valencia Bolaños 1ºBachillerato A Profesora: Clara Rodríguez Orihuela

Aprendizaje profundo y redes neuronales

La red

02

Nos centraremos en entender la red de una red neuronal, hay 3 capas de red:

Dos neuronas que se encuentran en la misma capa recibirán la misma información de entrada de la capa anterior y los cálculos que realicen los pasarán a la siguiente capa.

Con esto estamos concatenando diferentes operaciones de regresión lineal, para que no colapse y se una todo en una misma neurona u operación usamos las funciones de activación. Funciones de activación: distorsiona nuestro valores de salida añadiéndole deformaciones no lineales. TIPOS

Representación gráfica 3D

Adela Muñoz Ruiz Celia Valencia Bolaños 1ºBachillerato A Profesora: Clara Rodríguez Orihuela

Aprendizaje profundo y redes neuronales

¿Qué es?: nuevo algoritmo que muestra experimentalmente como se podría conseguir que una red neuronal ajustara sus parámetros para aprender una información interna de lo que procesa

Backpropagation

03

Gradiente: cómo varía el coste cuando variamos un parámetro. El efecto de este parámetro se ve también controlado por el valor del resto de parámetros de las capas posteriores , es decir, una cadena de responsabilidades que hace que esta derivada de aquí, sea más compleja de calcular. Para esto nos ayudará esta técnica.

En función de cuánto se haya implicado cada neurona en generar el resultado final, podremos responsabilizar a cada una de estas neuronas de un porcentaje del error, lo que utilizaremos para calcular cuánto hay que modificar cada parámetro en dicha neurona. A continuación, repetimos el mismo proceso de antes.

Al aplicar Backpropagation operamos siempre de forma recursiva capa tras capa, moviendo el error hacia atrás.

Adela Muñoz Ruiz Celia Valencia Bolaños 1ºBachillerato A Profesora: Clara Rodríguez Orihuela