Documentos de Académico
Documentos de Profesional
Documentos de Cultura
|8784756
2023
REDES NEURONALES
Unidad II
Acayucan, Veracruz
UNIDAD 2
PORTAFOLIO DE LA UNIDAD II
INGENIERÍA MECATRÓNICA
REDES NEURONALES
ALUMNOS
Domínguez Rico Donato
DOCENTE
Introducción
En la era actual de rápidos avances tecnológicos, las redes neuronales han surgido
como una herramienta fundamental en el campo de la inteligencia artificial y el
aprendizaje automático. Inspiradas en la estructura y funcionamiento del cerebro
humano, estas redes son capaces de aprender patrones complejos y realizar tareas
sofisticadas que anteriormente eran impensables para las máquinas.
Una de las características más impresionantes de las redes neuronales es su
capacidad para aproximar funciones y mapeos matemáticos complejos. Este poder se
deriva de su estructura multicapa compuesta por neuronas interconectadas, que
pueden adaptarse y mejorar su rendimiento a medida que se les suministra más
información.
En esta era de grandes volúmenes de datos, las redes neuronales se utilizan para una
variedad de aplicaciones, desde reconocimiento de voz y visión por computadora hasta
predicciones de mercado y diagnóstico médico. Este papel polifacético de las redes
neuronales como aproximadores de funciones ha transformado numerosos sectores y
ha llevado a innovaciones que antes parecían inalcanzables.
En esta presentación (o trabajo), exploraremos los fundamentos de cómo las redes
neuronales funcionan como aproximadores de funciones y mapeos. Analizaremos sus
componentes esenciales, como las capas ocultas y las funciones de activación, y cómo
estas redes pueden aprender automáticamente a partir de datos. Además,
examinaremos ejemplos prácticos de cómo las redes neuronales se aplican en diversas
disciplinas para resolver problemas del mundo real.
A medida que avanzamos, descubriremos el fascinante mundo de las redes neuronales
y cómo están transformando nuestra comprensión de la inteligencia artificial y su
capacidad para emular y mejorar las capacidades humanas en una amplia gama de
aplicaciones.
Índice.
Introducción................................................................................................................................................3
TEORÍA DE TODOS LOS TEMAS....................................................................................................................6
Actividades en clases.................................................................................................................................14
09/10/2023............................................................................................................................................14
Reporte de practicas..................................................................................................................................19
PRÁCTICA 2............................................................................................................................................19
PRÁCTICA 3............................................................................................................................................24
Examen......................................................................................................................................................29
Conclusiones de la unidad.........................................................................................................................32
Referencia bibliográfica.............................................................................................................................33
UNIDAD 2
TEORÍA DE TODOS LOS TEMAS
INGENIERÍA MECATRÓNICA
REDES NEURONALES
ALUMNOS
Domínguez Rico Donato
DOCENTE
Ilustración 1
Cálculo de la Pérdida:
Una vez que se han realizado las predicciones, se calcula la pérdida, también conocida
como error o función de pérdida. Esta medida cuantifica la discrepancia entre las
predicciones del modelo y los valores reales del conjunto de datos de entrenamiento. El
objetivo del entrenamiento es minimizar esta pérdida, es decir, reducir al máximo
posible la diferencia entre las predicciones del modelo y los datos reales.
Ilustración 2
Ilustración 3
Ilustración 4
Además, las técnicas modernas de aprendizaje profundo también se han aplicado con
éxito para aproximar curvas en R2. Las redes neuronales, especialmente las diseñadas
para problemas de regresión, pueden aprender patrones complejos en datos y
aproximar curvas no lineales con alta precisión. Esto es especialmente útil en áreas
como el reconocimiento de gestos y la generación de imágenes, donde la precisión en
la aproximación de curvas es esencial.
Aproximación de Funciones en R3 (Superficies):
Ilustración 5
Actividades en clases.
09/10/2023
Reporte de practicas
INSTITUTO TECNOLÓGICO SUPERIOR DE ACAYUCAN
PRÁCTICA 2
INGENIERÍA MECATRÓNICA
REDES NEURONALES
INTEGRANTES:
DOCENTE
Objetivo
Material Utilizado
Libreta
Lapiceros
Computadora
Internet
Conclusiones:
Donato Domínguez Rico
Simplicidad de la Conversión: La conversión de grados Celsius a Fahrenheit se puede lograr
de manera rápida y precisa mediante una fórmula matemática simple. No se requieren
enfoques complejos como las redes neuronales para realizar esta tarea básica.
Aaron Miguel Martínez Diaz
Uso Eficiente de las Herramientas: Las redes neuronales son herramientas poderosas, pero
su implementación debe ser apropiada para la complejidad de la tarea. En este caso, usar una
red neuronal para convertir temperaturas es ineficiente y poco práctico, ya que una fórmula
matemática proporciona resultados precisos de manera instantánea.
Israel Ramírez Mozo
Aplicaciones Más Complejas: Aunque la conversión de temperatura no sea una aplicación
adecuada para redes neuronales, estas son fundamentales para tareas más complejas, como
el reconocimiento de voz, la visión por computadora y la traducción automática, donde los
patrones son intrincados y no se pueden resolver fácilmente con fórmulas matemáticas
simples.
Edgar Roman Patraca
Importancia del Entrenamiento y los Datos: Si decides utilizar una red neuronal para una
tarea más compleja en el futuro, es esencial contar con un conjunto de datos de entrenamiento
adecuado y realizar un entrenamiento cuidadoso para que la red pueda hacer predicciones
precisas en situaciones del mundo real. El éxito de una red neuronal depende en gran medida
de la calidad y cantidad de los datos utilizados para entrenarla.
Francisco Manuel Valdés Morales
Aprendizaje Supervisado: Si decidieras usar una red neuronal para este propósito, estarías
empleando un enfoque de aprendizaje supervisado. Esto implica alimentar a la red con pares
de datos de entrada (grados Celsius) y salida esperada (grados Fahrenheit) para que la red
pueda aprender a hacer predicciones basadas en estos ejemplos.
PRÁCTICA 3
INGENIERÍA MECATRÓNICA
REDES NEURONALES
INTEGRANTES:
Domínguez Rico Donato
DOCENTE
Objetivo
Pasar nuestra red neuronal a un lenguaje de alto nivel para comprobarla que si
funcione.
Material Utilizado
Computadora
Visual Studio Code
import numpy as np
2. Arreglos de números donde se colocan los datos de entrada de celcius y los resultados
de fahrenheit.
celsius = np.array([-60, -40, -10, 0, 0.5, 1, 2, 5, 8, 15, 22, 38, 50, 60, 70, 100], dtype=float)
fahrenheit = np.array([-76, -40, -14, 32, 32.9, 34, 35.6, 41, 46.4, 59, 71.6, 100.4, 122, 140,
158, 212], dtype=float)
3. Definición de capas.
a. «tf.keras.layers.Dense» Hace referencia que define una capa de tipo densa. (Las
capas de tipo densa significan que cada neurona de una capa, tienen
conexiones a todas las neuronas de la siguiente capa).
b. «units = 1» Hace referencia que hay una neurona de salida.
c. «input_shape = [1]» Significa que hay una capa de entrada con una sola
neurona.
d. «modelo = tf.keras.Sequential([capa])» Definición de modelo de capa secuencial,
asignado a nuestra variable «capa».
modelo = tf.keras.Sequential([capa])
optimizer=tf.keras.optimizers.Adam(50),
loss='mean_squared_error'
)
5. Entrenamiento
a. Se utiliza la función «.fit» sobre el modelo, ejemplo «modelo.fit» especificando
los datos de entrada (En este caso la lista celcius) y los datos de salida (En este
caso fahrenheit), luego se definen las épocas por las que iterará, con la función
«epochs = valor» y para solo imprimir lo esencial se utiliza «verbose = False»
6. print("Comenzando entrenamiento...")
7. historial = modelo.fit(celsius, fahrenheit, epochs=10000, verbose= False)
8. print("Modelo entrenado!")
6. Predicción
a. En este caso se hace una predicción de cuantos son n grados celcius en
fahrenheit, utilizando un arreglo para poder ingresar los grados que el usuario
quiera.
fahrenheit_output = modelo.predict([celsius_input])
Ilustración 6
Ilustración 7
Ilustración 8
Conclusiones:
Facilidad de Uso: La aplicación es fácil de usar para los usuarios finales. Pide una entrada en
grados Celsius y devuelve la temperatura equivalente en grados Fahrenheit. Esto demuestra
cómo las complejidades del modelo de red neuronal están ocultas para el usuario, lo que
subraya la capacidad de las tecnologías de inteligencia artificial para hacer tareas complejas de
manera sencilla y accesible.
Edgar Roman Patraca
Flexibilidad de la Red Neuronal: Aunque el problema de convertir grados Celsius a
Fahrenheit se puede resolver fácilmente con una fórmula matemática, utilizar una red neuronal
muestra la flexibilidad de estos modelos. Pueden adaptarse y aprender de conjuntos de datos
más complejos, lo que subraya su potencial para abordar problemas mucho más desafiantes y
variados en diversas disciplinas.
Francisco Manuel Valdés Morales
Estímulo para el Aprendizaje: Al proporcionar una experiencia interactiva y práctica con
inteligencia artificial, esta implementación puede estimular el interés en aprender más sobre la
ciencia de datos y el aprendizaje automático. Puede inspirar a los usuarios a profundizar en
estos temas, lo que puede ser especialmente valioso para estudiantes y entusiastas que están
interesados en tecnologías emergentes.
Examen
Conclusiones de la unidad.
Referencia bibliográfica
"Deep Learning" por Ian Goodfellow, Yoshua Bengio y Aaron Courville: Este libro es
considerado una referencia estándar en el campo del aprendizaje profundo y cubre una
variedad de temas, desde los fundamentos de las redes neuronales hasta arquitecturas
más avanzadas.
"Neural Networks and Deep Learning: A Textbook" por Charu Aggarwal: Este libro
ofrece una introducción completa al aprendizaje profundo y las redes neuronales,
incluyendo algoritmos, técnicas de optimización y aplicaciones.
"Deep Learning for Computer Vision" por Rajalingappaa Shanmugamani: Este libro
se centra en la aplicación de técnicas de aprendizaje profundo en el campo de la visión
por computadora y ofrece una introducción práctica a los conceptos fundamentales.
"Python Machine Learning" por Sebastian Raschka y Vahid Mirjalili: Aunque este
libro no se centra exclusivamente en las redes neuronales, proporciona una excelente
introducción al aprendizaje automático en Python, incluyendo cómo implementar y
utilizar redes neuronales.
"Pattern Recognition and Machine Learning" por Christopher Bishop: Este libro es
una referencia clásica en el campo del reconocimiento de patrones y el aprendizaje
automático, cubriendo una variedad de técnicas, incluyendo las redes neuronales.