INVESTIGACIÓN DESCENSO DE GRADIENTE

Jonathan Steven Flores Cabrera

18/12/2020

Instituto superior Benito Juárez

Desarrollo de software

Tendencias actuales de la programación

 Resumen

La presente investigación se basa sobre el Descenso de gradiente dentro del machine

learning, y en qué aspecto predomina este directamente en referencia a los modelos, ya que de

este depende la mayoría de su rendimiento y todo el éxito en esta fase, es preciso y sumamente

necesario determinar cuáles son sus factores y métodos de aprendizaje con los que podemos

conseguir una máxima productividad referente al proceso sobre el conjunto de datos de

entrenamiento, así de esta manera los procesos de optimización entran a este proceso.

Se realizó una revisión sobre el tema a investigar y cuáles son los puntos en algoritmos de

optimización estratégicos que permitan determinar cómo se aplica su uso dentro del machine

learning.

Introducción

Se ha dicho mucho con respecto a la fase de aprendizaje automático ya que al ir de la mano

con algunos métodos de medida y precisión determinamos cuáles son los puntos para reconocer

las predicciones que tenga este proceso ya que al calcular su funcionalidad se debe tener en

cuenta cada parámetro referente a esta fase, de igual manera para poder analizar si esta es una

técnica mecánica en el uso del proceso de entrenamiento, (Duran, 2019). La fase cuenta con un

tipo de funcionamiento liderado por una táctica de trabajo y entrenamiento de modelos con un

alto rendimiento el cual consigue una implementación más amplia al conjunto de datos el cual ya

pudimos mencionar anteriormente y al ser una fase de signos con una mejora nos permite estar

más a la par del aprendizaje automático.

Desarrollo

Al encontrarnos actualmente en una fase en la cual la automatización de muchos procesos se

encuentra cada vez más cerca, al poder tener en cuenta cómo podemos optimizar un algoritmo se
puede entender que tan lejos se puede legar. (Duran, 2019). Se debe tener muy claro que este

será una serie o por capas ya que de esta forma cada fase necesitará de la anterior y así de esta

manera el resultado será un modelo totalmente nuevo y construido a través de sus distintas capas.

Teniendo en cuenta todos estos sentidos ya se puede entender cómo se va a llevar a cabo el

entrenamiento referente al Machine Learning, lo primero que se debe realizar es la inicialización

de función a parámetros. (Rodriguez, 2018). Basándose en ello si algún punto parte desde cero se

tiene que proceder a realizar una simetría en base a la distribución por las fases que este haya

pasado, de esta manera se domina si cada capa debe contar con una distribución normal.

De esta manera se entiende que este algoritmo es el más utilizado para entrar en procesos de

aprendizaje automático ya que el Descenso de gradiente se basa en un cálculo que nos permite

adaptar los parámetros de estas capas y ciclos. (Rodriguez, 2018). Este periodo cuenta con varias

versiones ya que depende del número de muestras que se introduzcan en este método.

Se evalúa su proceso de optimización desde un primer punto ya que esta nos da información

muy puntual sobre todo el proceso de aprendizaje. (Rodriguez, 2018). Así de esta manera

también se puede conocer cómo cambia todo el declive en este procedimiento a través de capas

ya que este finalmente se puede representar gráficamente con los modelos de datos ya utilizados

y mencionados anteriormente.

Conclusión

Se Puede tener en cuenta que en esta investigación se está describiendo nuevos métodos que

facilitan el uso del machine learning, ya que como mencionamos anteriormente este se basa

mucho más en el proceso de datos y aprendizaje autónomo, no obstante, este proceso de fases

también se puede aplicar en representaciones gráficas para una mejor representación.

 Bibliografía

Duran, J. (4 de 9 de 2019). medium. Obtenido de https://medium.com/metadatos/todo-lo-que-

necesitas-saber-sobre-el-descenso-del-gradiente-aplicado-a-redes-neuronales-

19bdbb706a78

Rodriguez, D. (21 de 12 de 2018). analyticslane. Obtenido de

https://www.analyticslane.com/2018/12/21/implementacion-del-metodo-descenso-del-

gradiente-en-

python/#:~:text=El%20m%C3%A9todo%20del%20descenso%20del,en%20el%20conjun

to%20de%20datos.