Please enable JavaScript.
Coggle requires JavaScript to display documents.
Redes Neuronales Artificiales (ANN) - Coggle Diagram
Redes Neuronales Artificiales (ANN)
Es un modelo computacional de machine learning inspirado en la estructura y funcionamiento del cerebro humano, esta red consiste en una red de nodos los cuales están interconectados los cuales también se llevan por nombre neuronas artificiales las cuales procesan información de entrada y generan una salida.
Aplicaciones
Procesamiento de lenguaje natural, traducción automática. análisis de sentimiento
Predicción y series temporales, finanzas y meteorología
Reconocimiento de imágenes y video, clasificación, detección de objetos
Automatización y robótica
Componentes principales
Neurona artificial
Entrada (Input): Valores de datos de entrada
Peso (Weights): Parámetros ajustables que afectan la importancia de cada entrada.
Función de activación: Determina si una neurona se activa o no.
Salida (Output): Resultado procesado que se pasa a la siguiente capa.
Capas de red
Capa de salida (Output layer): Genera el resultado final de la red.
Capas ocultas (Hidden Layers): Procesan las entradas a travéz de neuronas interconectadas.
Capa de entrada (Input layer): Recibe datos iniciales
Tipos de redes neuronales
Convolucionales (CNN): Se utilizan para el reconocimiento de imágenes, reconocimiento de patrones, utilizan principios de algebra lineal en particular la multiplicación de matrices.
Recurrentes (RNN): Se utilizan para cuando se tienen datos de series temporales para hacer predicciones sobre resultados futuros, como predicciones busátiles o previsiones de ventas.
De alimentación directa: La información fluye en una sola dirección, de las entradas a la salida.
De memoria a largo plazo (LSTM): Una forma avanzada de RNN que maneja dependencias a largo plñazo.
Avances y tendencias
Generación de imágenes y videos
Uso de modelos preentrenados para nuevas tareas
Redes con capas ocultas para capturar características complejas
Evaluación
Conjunto de evaluación: datos separados para evaluar el rendimiento del modelo
Sobreajuste y ajuste: Problemas comunes en el entrenamiento que afectan la capacidad del modelo
Métricas de evaluación: Accuiray, precision, recall, f1_score, roc-auc
Entrenamiento
Algoritmo de retro-propagación: Método de ajuste de pesos mediante el cálculo de error en la salida y su propagación hacia atrás o trávez de la red.
Función de perdida: Mide la discrepancia entre la salida deseada y la real.
Optimización
Algoritmos de optimización: Adam, sgd, rmsprop
Tasa de aprendizaje: Determina la magnitud del ajuste de los pesos en cada iteración.