lOMoARcPSD|8772478

Qué es tensorflow - Teoría tensor flows

Programacion Lineal (Universidad Tecnológica de Santiago)

StuDocu is not sponsored or endorsed by any college or university

Downloaded by xiomara garcia (fundacionxiomaragarcia@gmail.com)
 lOMoARcPSD|8772478

¿Qué es tensorflow?
Es una biblioteca de código abierto para el cálculo numérico que utiliza gráficos de flujo de
datos y hace el machine learning más fácil y rápido. Fue desarrollado originalmente por el
Equipo de Google Brain dentro de la organización de investigación de Inteligencia de Máquina
de Google para el aprendizaje automático y la investigación de redes neuronales profundas,
pero el sistema es lo suficientemente general como para ser aplicable en una amplia variedad
de otros dominios también.

¿Qué son tensores?

Se puede decir que es un término general para unidad de datos en tensorflow. Un
tensor es una generalización de vectores y matrices a dimensiones potencialmente
más altas. Internamente, TensorFlow representa los tensores como matrices n-
dimensionales de tipos de datos base.

¿Qué es una red de neuronas artificial?

Las redes neuronales artificiales son un conjunto de algoritmos modelados libremente a
partir del cerebro humano, que están diseñados para reconocer patrones. Interpretan
los datos sensoriales a través de una especie de percepción de máquina, etiquetado o
agrupación de datos sin procesar. Los patrones que reconocen son numéricos,
contenidos en vectores, a los que se deben traducir todos los datos del mundo real, ya
sean imágenes, sonido, texto o series de tiempo.

¿Qué es una neurona?

Dentro de una red neuronal artificial, una neurona es una función matemática que
modela el funcionamiento de una neurona biológica. Típicamente, una neurona calcula
el promedio ponderado de su entrada, y esta suma se pasa a través de una función no
lineal, a menudo llamada función de activación, como el sigmoide

Tipos de problemas que se pueden resolver con una red neuronal.

Problemas comerciales, como:
 Pronóstico de ventas
 Investigación de clientes
 Validación de datos
 Gestión de riesgos
En definitiva, es utilizado en problemas de clasificación, optimización y predicción.

Downloaded by xiomara garcia (fundacionxiomaragarcia@gmail.com)

 lOMoARcPSD|8772478

Proceso de entrenamiento o aprendizaje de una RNA.

En resumen, el aprendizaje de una RNA consiste en:
1. Comienza con valores (a menudo aleatorios) para los parámetros de red (pesos
wij y sesgos bj).
2. Toma un conjunto de ejemplos de datos de entrada y los pasa a través de la red
para su predicción.
3. Compara estas predicciones obtenidas con los valores de las etiquetas
esperadas y calcula la pérdida con ellas.
4. Realiza la propagación hacia atrás para propagar esta pérdida a todos y cada
uno de los parámetros que conforman el modelo de la red neuronal.
5. Utiliza esta información propagada para actualizar los parámetros de la red
neuronal con el descenso del gradiente de manera que se reduzca la pérdida
total y se obtenga un mejor modelo.
6. Continúa iterando en los pasos anteriores hasta que consideremos que tenemos
un buen modelo.

¿Qué es un Perceptrón?
El perceptrón es un algoritmo para el aprendizaje supervisado de clasificadores
binarios. Un Perceptrón se usa generalmente para clasificar datos en dos partes. Por lo
tanto, también se conoce como un clasificador binario lineal. Además, se utiliza en el
aprendizaje supervisado y ayuda a clasificar los datos de entrada dados.

¿Qué es un perceptrón multicapa?

Un perceptrón multicapa es una red neuronal artificial profunda. Está compuesto por
más de un perceptrón. Están compuestos por una capa de entrada para recibir la señal,
una capa de salida que toma una decisión o predicción sobre la entrada, y entre esos
dos, un número arbitrario de capas ocultas que son el verdadero motor computacional
del MLP. Los MLP con una capa oculta son capaces de aproximar cualquier función
continua.

Describe los Métodos de aprendizaje no supervisados en una RNA.

Clustering
La agrupación es un concepto importante cuando se trata de un aprendizaje no
supervisado. Se trata principalmente de encontrar una estructura o patrón en una
colección de datos no categorizados. Los algoritmos de agrupamiento procesarán sus
datos y encontrarán grupos naturales (grupos) si existen en los datos.

Downloaded by xiomara garcia (fundacionxiomaragarcia@gmail.com)

 lOMoARcPSD|8772478

Clúster de enlace único

En este método, comenzamos agrupando los puntos más cercanos entre sí en función
de la distancia entre ellos y los puntos de agrupación posteriores con agrupaciones
existentes. El criterio para agrupar un punto con un grupo existente o 2 grupos
existentes se basa en la distancia mínima entre todos los pares posibles.
Exclusivo (particionamiento)
En este método de agrupamiento, los datos se agrupan de tal manera que un dato
puede pertenecer a un solo grupo.
Aglomerativo
En esta técnica de agrupamiento, cada dato es un cluster. Las uniones iterativas entre
los dos grupos más cercanos reducen el número de grupos.
Superposición
En esta técnica, los conjuntos difusos se usan para agrupar datos. Cada punto puede
pertenecer a dos o más grupos con diferentes grados de membresía.

Downloaded by xiomara garcia (fundacionxiomaragarcia@gmail.com)