Please enable JavaScript.
Coggle requires JavaScript to display documents.
Redes Neuronales de Estado Continuo, Aprendizaje Supervisado en Redes…
Redes Neuronales de Estado Continuo
Definición y Concepto
Son redes que evolucionan en tiempo continuo
El estado de la neurona cambia suavemente
Se modelan con ecuaciones diferenciales
Diferencia con redes discretas (tipo perceptrón)
Inspiradas en sistemas biológicos reales
Link Title
Modelo Matemático
Ecuación diferencial de estado: τ dx/dt = -x + f(Wx + b)
Función de activación (sigmoide, tanh)
Matriz de pesos sinápticos W
Constante de tiempo τ (tau)
Estado de equilibrio y estabilidad
Arquitecturas Representativas
Redes de Hopfield (estado continuo)
Modelos de Grossberg
Redes recurrentes continuas (CTRNN)
Propiedades Dinámicas
Puntos de equilibrio (estables/inestables)
Atractores y cuencas de atracción
Comportamiento oscilatorio
Sincronización entre neuronas
Aprendizaje Supervisado en Redes Neuronales
Definición
Aprende con datos etiquetados (entrada → salida deseada)
El maestro corrige el error
Objetivo: minimizar la función de pérdida
Requiere conjunto de entrenamiento
Base del aprendizaje profundo moderno
Proceso de Entrenamiento
Inicialización aleatoria de pesos
Forward pass (propagación hacia adelante)
Cálculo del error (loss)
Backpropagation (retropropagación)
Actualización de pesos (gradiente descendente)
Algoritmos y Técnicas
Descenso de gradiente (batch, mini-batch, SGD)
Regla delta y regla delta generalizada
Optimizadores: Adam, RMSprop, Momentum
Regularización: L1, L2, Dropout
Normalización por lotes (Batch Norm)
Tipos de Problemas
Clasificación binaria y multiclase
Regresión (predicción de valores continuos)
Segmentación semántica
Reconocimiento de voz y texto
Aprendizaje No Supervisado en Redes Neuronales :
Definición
No usa etiquetas ni respuestas correctas
La red descubre patrones por sí sola
Explora la estructura oculta de los datos
Basado en similitud y distancia
Inspirado en cómo aprende el cerebro humano
Tipos de Aprendizaje No Supervisado
Reducción de dimensionalidad
Agrupamiento (Clustering)
Reglas de asociación
Detección de anomalías
Algoritmos y Redes
K-means
Mapas autoorganizados (SOM - Kohonen)
Redes de Hopfield para memoria asociativa
Mapas autoorganizados (SOM - Kohonen)
Redes de Hopfield para memoria asociativa
Ventajas y Limitaciones
Ventaja: no requiere datos etiquetados
Ventaja: descubre patrones ocultos
Limitación: difícil evaluar la calidad del resultado
Limitación: resultados pueden ser ambiguos
MAPA MENTAL 1
MAPA MENTAL 2
MAPA MENTAL 3
