0 calificaciones0% encontró este documento útil (0 votos)
11 vistas4 páginas
Este documento describe las redes neuronales, incluyendo su historia, tipos, aplicaciones, ventajas y desventajas. Las redes neuronales se inspiran en el cerebro humano y aprenden de los datos para realizar tareas como predicción, clasificación y procesamiento de datos. Existen varios tipos como redes monocapa, multicapa, convolucionales y recurrentes. Sus principales ventajas son la capacidad de reconocer patrones complejos con alta precisión y procesar información en paralelo. Sus desventajas incluyen necesitar grandes cantidades
Descripción original:
Título original
Competencias digitales trabjo final sebastian lamas
Este documento describe las redes neuronales, incluyendo su historia, tipos, aplicaciones, ventajas y desventajas. Las redes neuronales se inspiran en el cerebro humano y aprenden de los datos para realizar tareas como predicción, clasificación y procesamiento de datos. Existen varios tipos como redes monocapa, multicapa, convolucionales y recurrentes. Sus principales ventajas son la capacidad de reconocer patrones complejos con alta precisión y procesar información en paralelo. Sus desventajas incluyen necesitar grandes cantidades
Este documento describe las redes neuronales, incluyendo su historia, tipos, aplicaciones, ventajas y desventajas. Las redes neuronales se inspiran en el cerebro humano y aprenden de los datos para realizar tareas como predicción, clasificación y procesamiento de datos. Existen varios tipos como redes monocapa, multicapa, convolucionales y recurrentes. Sus principales ventajas son la capacidad de reconocer patrones complejos con alta precisión y procesar información en paralelo. Sus desventajas incluyen necesitar grandes cantidades
Carrera: Ingeniería de software e inteligencia artificial
Curso: Competencias digitales para la industria
CFP: VILLA EL SALVADOR
Bloque: PP19
NRC: 37878.
TRABAJO FINAL LAS REDES NEURONALES:
Historia/Definición: Una red neuronal es un método de la
inteligencia artificial que enseña a las computadoras a procesar datos de una manera que está inspirada en la forma en que lo hace el cerebro humano. En 1943 los investigadores Warren McCulloch y Walter Pitts crearon “lógica umbral”, el primer modelo informático basado en las redes neuronales. A partir de aquí, se establecieron dos caminos de investigación. Las redes neuronales se forman en las primeras fases de desarrollo del cerebro gracias al crecimiento y migración de las células nerviosas. Ambos procesos se combinan para organizar los conjuntos sinápticos y el modularidad de la arquitectura cognitiva. Las neuronas no están dispuestas al azar en el cerebro humano.
Aplicación: Estos sistemas de algoritmia que nos ayudan a resolver problemas tienen múltiples aplicaciones que podemos englobar en:
Predicción de sucesos y simulaciones: Producción de
los valores de salida esperados en función de los datos entrantes. Reconocimiento y clasificación: Asociación de patrones y organización de conjuntos de datos en clases predefinidas. Incluso identificando características únicas sin datos previos. Procesamiento de datos y modelización: Validación, agregación y análisis de datos. Diseño y búsqueda de fallos en sistemas de software complejos. Ingeniería de control: Monitorización de sistemas informáticos y manipulación de robots. Incluida la creación de sistemas y robots. Tipos: Existen varios tipos de redes neuronales, como son las monocapa o perceptrón simple, perceptrón multicapa (MLP), convolucionales (CNN), redes neuronales recurrentes (RNN), de retroalimentación o redes de base radial (RBF). Redes neuronales monocapas: generalmente son las más sencillas de hacer, la capa de entrada también podría considerarse una capa, pero al no hacer cálculos no se tiene en cuenta a la hora de clasificarse. La capa de entrada se conecta a la capa de neuronas de salida que realizan determinados cálculos. Redes neuronales multicapas: entre las conexiones de entrada y de salida, existen diversas capas de neuronas que hacen de intermediarias, denominadas capas ocultas. Estas capas de neuronas, pueden conectarse entre ellas o no. Clasificación por los tipos de conexiones. Redes neuronales no recurrentes: se descubrieron en el año 1980, la información de las redes neuronales trabaja en un solo sentido. No existe una realimentación y también carecen de memoria. Este tipo de red neuronal no es tan utilizada. Sin embargo, las redes neuronales recurrentes y no recurrentes, también utilizan algoritmos en común como por ejemplo en la fase de entrenamiento. Redes neuronales recurrentes: las neuronas tienen la posibilidad de realizar conexiones realimentación, ya sea entre neuronas de una misma capa o de diferentes capas. La realimentación permite que las redes neuronales recurrentes, tengan memoria. Las redes neuronales recurrentes tienen mayores ventajas en general y suelen ser más potentes, que las redes neuronales no recurrentes. Etc...
Ventajas y Desventajas:
Ventajas principales: Su principal ventaja está en que son modelos de vanguardia que capturan de una forma óptima y efectiva características complejas, obteniendo resultados con una alta precisión.
El procesado de la información es local, es decir que, al estar compuesto por unidades individuales de procesamiento, dependiendo de sus entradas y pesos, y de que todas las neuronas de una capa trabajan en forma paralela, proporcionan una respuesta al mismo tiempo.
Los pesos son ajustados basándose en la experiencia, lo que significa que se le tiene que enseñar a la red lo que necesita saber antes de ponerla en funcionamiento.
Las neuronas son tolerantes a fallos, si parte de la red no trabaja, solo dejará de funcionar la parte para que dicha neurona sea significativa, el resto tendrá su comportamiento normal.
Las neuronas pueden reconocer patrones que no han sido aprendidos, sólo deben tener cierto parecido con el conocimiento previo que tenga la red.
Dicho de otra forma: si la entrada presenta alguna alteración la red podrá identificarla siempre y cuando se mantenga cierto grado de similitud entre lo aprendido y lo mostrado en la entrada de la red.
Desventajas principales: Las redes neuronales necesitan un mayor preprocesamiento de los datos, siendo bastante sensibles a las distintas escalas de las variables.
Suelen necesitar mayor volumen de datos para el entrenamiento del modelo y requieren de alta capacidad de recursos computacionales.
Complejidad de aprendizaje para grandes tareas, cuanto más se necesite que aprenda una red, más complicado será enseñarle.
Tiempo de aprendizaje elevado. Esto depende de dos factores: primero si se incrementa la cantidad de patrones a identificar o clasificar, y segundo, si se requiere mayor flexibilidad o capacidad de adaptación de la red neuronal para reconocer patrones que sean sumamente parecidos, se deberá invertir más tiempo en lograr que la red converja a valores de pesos que representen lo que se quiera enseñar.