Redes Neuronales
Una red neuronal es un tipo de programa informático que intenta imitar cómo aprende el cerebro humano. Se usa mucho en inteligencia artificial, por ejemplo, en sistemas que reconocen caras, traducen idiomas o recomiendan vídeos.
Estructura general
Cómo se conectan entre sí
Info Básica
Pesos
Determinan que informacion es importante
Parametros involucrados
Valor añadido para ajustar la salida de la neurona
Bias
Cálculo de pérdida
Sirve para medir qué tan bien o qué tan mal lo está haciendo el modelo
FUNciones de perdida
FUNción de activacion
La función de pérdida mide lo mal que lo está haciendo la red y le ayuda a corregirse para aprender cada vez mejor.
Permite que la red neuronal tome decisiones inteligentes como un jugador de baloncesto
Sin
Con
Red neuronal está aprendiendo a calcular la fuerza con la que debes tirar
Siempre harías lo mismo .(Siempre tirar) Sería una decisión simple y mala. Sin analizar la situación.
El jugador piensa antes de actuar. Si está solo o cerca del aro → tira. Si está marcado o muy lejos → pasa el balón
Situación 1: Fallas por mucho. La función de pérdida da un valor alto al ser un error grande . La red corrige mucho sus parámetros para mejorar→ Aprende que ha usado demasiada fuerza Situación 2: Fallas por poco. Pérdida más baja al ser un error pequeño La red corrige un poco. →Aprende que casi estaba bien Situación 3: Canasta La función de pérdida da valor casi 0 al ser un error nulo. La red apenas necesita corregirse→Ha aprendido la fuerza correcta
100% - 0%
67% - 33%
(mero ejemplo esto puede funcionar con mas variables es decir por ejemplo tambien en vez de tirar o pasar botar etc...)
Funcion Sigmoide
La función sigmoide es una función matemática que asigna cualquier valor de entrada a un rango de salida entre 0 y 1
Se usa principalmente como funcion de activación, ya que puede transformar la salida a una probabilidad
Aprendizaje supervisado
Caracteristicas Principales
Un algoritmo se entrena usando un conjunto de datos "etiquetados" que contienen pares de entrada y salida. El objetivo es que el modelo aprenda a predecir resultados correctos para datos nuevos y no etiquetados, basándose en los patrones que ha aprendido de los datos de entrenamiento
Ejemplos:
Procesos de entrenamiento
Supervisado :La red aprende viendo ejemplos correctos y copiándolos. Ejemplo : Aprender si un tiro entra o falla viendo muchos tiros con su resultado. No supervisado: La red busca patrones por sí sola, sin que nadie le diga la respuesta. Ejemplo : Aprender como que jugador es cual según cómo se mueven en la cancha. Por refuerzo: La red prueba cosas y aprende de los aciertos y errores. Ejemplo : Decidir cuándo pasar, tirar o botar .-> Existen otros como el semi supervisado y el autosupervisado
#no_lebron
#lebron
#lebron
#lebron
#gato
#gato
#gato
machine learning
(Sabe que es X por como tira)
#no_ gato
El machine learning es una rama de la inteligencia artificial que enseña a las máquinas a aprender , estudiar y mejorar a partir de datos, aprendiendo a tomar decisiones más exactas a medida que aprenden .
Ejemplos de este machine learning en estadisticas y scouting de el juego del baloncesto o de jugadores:
Se usan para poder ver como mejorar el rendimiento de un equipoo de un jugador
Ejemplo con código
Conceptos Básicos
Una red neuronal se organiza en capas. Cada capa contiene varias neuronas. Una red neuronal está compuesta por capas.
Capa de entrada
Recibe los datos que se quieren analizar, cómo píxeles de una imagen o números de un problema.
. Cada conexión tiene un peso (un número) que multiplica la señal que pasa.
Capa de salida
proporciona el resultado final como por ejemplo la clasificación de un objeto.
Capas ocultas
Procesan la información y van aprendiendo características cada vez más complejas. Puede haber una o muchas.
Caracteristicas Principales
1. Rango de salida Transforma cualquier número en un valor entre 0 y 1, lo que permite interpretar su resultado como una probabilidad.
2. Saturacion en los extremos Cuando los valores de entrada son muy grandes o muy pequeños, la función se aplana, acercándose a 1 o 0, y el aprendizaje se vuelve más lento
Redes Neuronales
Daniel Pérez Trejo
Created on October 31, 2025
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Akihabara Connectors Infographic
View
Essential Infographic
View
Practical Infographic
View
Akihabara Infographic
View
Vision Board
View
The Power of Roadmap
View
Artificial Intelligence in Corporate Environments
Explore all templates
Transcript
Redes Neuronales
Una red neuronal es un tipo de programa informático que intenta imitar cómo aprende el cerebro humano. Se usa mucho en inteligencia artificial, por ejemplo, en sistemas que reconocen caras, traducen idiomas o recomiendan vídeos.
Estructura general
Cómo se conectan entre sí
Info Básica
Pesos
Determinan que informacion es importante
Parametros involucrados
Valor añadido para ajustar la salida de la neurona
Bias
Cálculo de pérdida
Sirve para medir qué tan bien o qué tan mal lo está haciendo el modelo
FUNciones de perdida
FUNción de activacion
La función de pérdida mide lo mal que lo está haciendo la red y le ayuda a corregirse para aprender cada vez mejor.
Permite que la red neuronal tome decisiones inteligentes como un jugador de baloncesto
Sin
Con
Red neuronal está aprendiendo a calcular la fuerza con la que debes tirar
Siempre harías lo mismo .(Siempre tirar) Sería una decisión simple y mala. Sin analizar la situación.
El jugador piensa antes de actuar. Si está solo o cerca del aro → tira. Si está marcado o muy lejos → pasa el balón
Situación 1: Fallas por mucho. La función de pérdida da un valor alto al ser un error grande . La red corrige mucho sus parámetros para mejorar→ Aprende que ha usado demasiada fuerza Situación 2: Fallas por poco. Pérdida más baja al ser un error pequeño La red corrige un poco. →Aprende que casi estaba bien Situación 3: Canasta La función de pérdida da valor casi 0 al ser un error nulo. La red apenas necesita corregirse→Ha aprendido la fuerza correcta
100% - 0%
67% - 33%
(mero ejemplo esto puede funcionar con mas variables es decir por ejemplo tambien en vez de tirar o pasar botar etc...)
Funcion Sigmoide
La función sigmoide es una función matemática que asigna cualquier valor de entrada a un rango de salida entre 0 y 1
Se usa principalmente como funcion de activación, ya que puede transformar la salida a una probabilidad
Aprendizaje supervisado
Caracteristicas Principales
Un algoritmo se entrena usando un conjunto de datos "etiquetados" que contienen pares de entrada y salida. El objetivo es que el modelo aprenda a predecir resultados correctos para datos nuevos y no etiquetados, basándose en los patrones que ha aprendido de los datos de entrenamiento
Ejemplos:
Procesos de entrenamiento
Supervisado :La red aprende viendo ejemplos correctos y copiándolos. Ejemplo : Aprender si un tiro entra o falla viendo muchos tiros con su resultado. No supervisado: La red busca patrones por sí sola, sin que nadie le diga la respuesta. Ejemplo : Aprender como que jugador es cual según cómo se mueven en la cancha. Por refuerzo: La red prueba cosas y aprende de los aciertos y errores. Ejemplo : Decidir cuándo pasar, tirar o botar .-> Existen otros como el semi supervisado y el autosupervisado
#no_lebron
#lebron
#lebron
#lebron
#gato
#gato
#gato
machine learning
(Sabe que es X por como tira)
#no_ gato
El machine learning es una rama de la inteligencia artificial que enseña a las máquinas a aprender , estudiar y mejorar a partir de datos, aprendiendo a tomar decisiones más exactas a medida que aprenden .
Ejemplos de este machine learning en estadisticas y scouting de el juego del baloncesto o de jugadores:
Se usan para poder ver como mejorar el rendimiento de un equipoo de un jugador
Ejemplo con código
Conceptos Básicos
Una red neuronal se organiza en capas. Cada capa contiene varias neuronas. Una red neuronal está compuesta por capas.
Capa de entrada
Recibe los datos que se quieren analizar, cómo píxeles de una imagen o números de un problema.
. Cada conexión tiene un peso (un número) que multiplica la señal que pasa.
Capa de salida
proporciona el resultado final como por ejemplo la clasificación de un objeto.
Capas ocultas
Procesan la información y van aprendiendo características cada vez más complejas. Puede haber una o muchas.
Caracteristicas Principales
1. Rango de salida Transforma cualquier número en un valor entre 0 y 1, lo que permite interpretar su resultado como una probabilidad.
2. Saturacion en los extremos Cuando los valores de entrada son muy grandes o muy pequeños, la función se aplana, acercándose a 1 o 0, y el aprendizaje se vuelve más lento