Please enable JavaScript.

Coggle requires JavaScript to display documents.

APRENDIZAJE SUPERVISADO - Coggle Diagram

- - - - El modelo compara la salida obtenida con la salida deseada.
      - Si existe error, modifica los pesos.
      - Busca reducir el error en cada entrenamiento.
    - - e = d - y
      - e = error
      - d = salida deseada
      - y = salida obtenida
    - - Δw = η · e · x
      - w nuevo = w anterior + Δw
      - η = tasa de aprendizaje
      - x = entrada
    - - Ingresar datos de entrada
      - Calcular la salida del modelo
      - Comparar con la salida deseada
      - Calcular el error
      - Corregir los pesos
      - Repetir hasta reducir el error
    - - Si debía responder 1 y respondió 0, se calcula el error y se corrigen los pesos.
    - - Perceptrón
      - Redes neuronales
      - Reconocimiento de patrones
  - - - El modelo aprende mediante recompensas o castigos.
      - Una acción correcta recibe recompensa.
      - Una acción incorrecta recibe penalización.
    - - V(s) = r + γV(s')
      - V(s) = valor del estado actual
      - r = recompensa recibida
      - γ = factor de descuento
      - V(s') = valor del siguiente estado
    - - El agente observa el estado
      - Realiza una acción
      - Recibe recompensa o castigo
      - Evalúa si la acción fue correcta
      - Ajusta su comportamiento
      - Repite para mejorar
    - - Un robot recibe recompensa si avanza correctamente y castigo si choca.
    - - Robótica
      - Juegos inteligentes
      - Sistemas de toma de decisiones
  - - - El modelo aprende usando muestras aleatorias de los datos.
      - No utiliza todos los datos al mismo tiempo.
      - Actualiza los pesos de forma progresiva.
    - - w nuevo = w anterior - η · ∇E(w)
      - w = peso del modelo
      - η = tasa de aprendizaje
      - ∇E(w) = gradiente del error
    - - Seleccionar una muestra aleatoria
      - Realizar una predicción
      - Calcular el error
      - Actualizar los pesos
      - Seleccionar otra muestra
      - Repetir el entrenamiento
    - - El modelo aprende dato por dato o usando pequeños grupos aleatorios.
    - - Descenso de gradiente estocástico
      - Entrenamiento de redes neuronales
      - Optimización de modelos