Muestra las diferencias entre dos versiones de la página.
Ambos lados, revisión anterior Revisión previa Próxima revisión | Revisión previa Próxima revisión Ambos lados, revisión siguiente | ||
ia:start [2018/08/21 10:43] Joaquín Herrero Pintado [Teorías] |
ia:start [2018/08/21 10:44] Joaquín Herrero Pintado |
||
---|---|---|---|
Línea 3: | Línea 3: | ||
{{indexmenu>:ia#1|tsort}} | {{indexmenu>:ia#1|tsort}} | ||
- | ====== Teorías ====== | + | |
La IA es una ciencia que se ocupa del diseño de sistemas de computación capaces de mostrar características que asociamos a la inteligencia en el comportamiento humano: comprensión del lenguaje, razonamiento, aprendizaje y resolución de problemas, entre otros. | La IA es una ciencia que se ocupa del diseño de sistemas de computación capaces de mostrar características que asociamos a la inteligencia en el comportamiento humano: comprensión del lenguaje, razonamiento, aprendizaje y resolución de problemas, entre otros. | ||
Línea 33: | Línea 33: | ||
* [[https://stanford.edu/~shervine/teaching/cs-229/cheatsheet-machine-learning-tips-and-tricks.html|Machine Learning tips and tricks cheatsheet]] | * [[https://stanford.edu/~shervine/teaching/cs-229/cheatsheet-machine-learning-tips-and-tricks.html|Machine Learning tips and tricks cheatsheet]] | ||
- | ===== Redes Neuronales Produndas ===== | + | ===== Redes Neuronales Profundas ===== |
LLamadas Deep Neural Networks, DNNs, o Deep Learning | LLamadas Deep Neural Networks, DNNs, o Deep Learning | ||
Línea 62: | Línea 62: | ||
{{nnviz.png?400|}} | {{nnviz.png?400|}} | ||
- | ====== Topologías ===== | + | ===== Topologías ===== |
{{:ia:neuralnetworks.png?400|}} | {{:ia:neuralnetworks.png?400|}} | ||
- | ====== Función de activación ====== | + | ===== Función de activación ===== |
En redes computacionales, la Función de Activación de un nodo define la salida de un nodo dada una entrada o un conjunto de entradas. Se podría decir que un circuito estándar de computador se comporta como una red digital de funciones de activación al activarse como "ON" (1) u "OFF" (0), dependiendo de la entrada. Esto es similar al funcionamiento de un [[https://es.wikipedia.org/wiki/Perceptr%C3%B3n|Perceptrón]] en una [[https://es.wikipedia.org/wiki/Red_neuronal_artificial|Red neuronal artificial]]. | En redes computacionales, la Función de Activación de un nodo define la salida de un nodo dada una entrada o un conjunto de entradas. Se podría decir que un circuito estándar de computador se comporta como una red digital de funciones de activación al activarse como "ON" (1) u "OFF" (0), dependiendo de la entrada. Esto es similar al funcionamiento de un [[https://es.wikipedia.org/wiki/Perceptr%C3%B3n|Perceptrón]] en una [[https://es.wikipedia.org/wiki/Red_neuronal_artificial|Red neuronal artificial]]. | ||
Línea 72: | Línea 72: | ||
--- https://es.wikipedia.org/wiki/Funci%C3%B3n_de_activaci%C3%B3n | --- https://es.wikipedia.org/wiki/Funci%C3%B3n_de_activaci%C3%B3n | ||
- | ===== Neurona sigmoidal ====== | + | ===== Neurona sigmoidal ===== |
[[https://www.google.es/search?client=firefox-b&dcr=0&ei=8nouWsuqDYyxUYDelNgO&q=1%2F%281%2Be**-z%29&oq=1%2F%281%2Be**-z%29&gs_l=psy-ab.3..0i30k1l4j0i5i30k1l2j0i8i30k1l4.5875.7137.0.7442.3.3.0.0.0.0.78.225.3.3.0....0...1c.1.64.psy-ab..0.3.223...0i8i7i30k1.0.JNslg0aRqmI|Gráfico de 1/(1+e^‑z)]] | [[https://www.google.es/search?client=firefox-b&dcr=0&ei=8nouWsuqDYyxUYDelNgO&q=1%2F%281%2Be**-z%29&oq=1%2F%281%2Be**-z%29&gs_l=psy-ab.3..0i30k1l4j0i5i30k1l2j0i8i30k1l4.5875.7137.0.7442.3.3.0.0.0.0.78.225.3.3.0....0...1c.1.64.psy-ab..0.3.223...0i8i7i30k1.0.JNslg0aRqmI|Gráfico de 1/(1+e^‑z)]] | ||
Línea 92: | Línea 92: | ||
Ejemplo en [[https://play.golang.org/p/vooYHLrwJS|Go Playground]] | Ejemplo en [[https://play.golang.org/p/vooYHLrwJS|Go Playground]] | ||
- | ====== Entrenamiento de una red neuronal ====== | + | ===== Entrenamiento de una red neuronal ===== |
- | ===== Supervisado ===== | + | ==== Supervisado ==== |
Con vistas al **entrenamiento supervisado** de la red neural que desarrollamos hay que elaborar un conjunto de datos de entrenamiento procedentes de datos reales. | Con vistas al **entrenamiento supervisado** de la red neural que desarrollamos hay que elaborar un conjunto de datos de entrenamiento procedentes de datos reales. | ||
[[https://stanford.edu/~shervine/teaching/cs-229/cheatsheet-supervised-learning.html|Supervised Learning cheatsheet]] | [[https://stanford.edu/~shervine/teaching/cs-229/cheatsheet-supervised-learning.html|Supervised Learning cheatsheet]] | ||
- | ===== No supervisado ===== | + | |
+ | ==== No supervisado ==== | ||
Al ser un software conversacional hay que identificar qué interacciones suponen un refuerzo positivo y un refuerzo negativo a las respuestas proporcionadas por la NN. | Al ser un software conversacional hay que identificar qué interacciones suponen un refuerzo positivo y un refuerzo negativo a las respuestas proporcionadas por la NN. | ||
Línea 113: | Línea 114: | ||
ConvNetJS is a Javascript library for training Deep Learning models (Neural Networks) entirely in your browser. Open a tab and you're training. No software requirements, no compilers, no installations, no GPUs, no sweat. | ConvNetJS is a Javascript library for training Deep Learning models (Neural Networks) entirely in your browser. Open a tab and you're training. No software requirements, no compilers, no installations, no GPUs, no sweat. | ||
- | ====== Algoritmo de back-propagation ====== | + | ===== Algoritmo de back-propagation ===== |
* https://www.youtube.com/watch?v=q555kfIFUCM | * https://www.youtube.com/watch?v=q555kfIFUCM |