Herramientas de usuario

Herramientas del sitio


ia:start

Diferencias

Muestra las diferencias entre dos versiones de la página.

Enlace a la vista de comparación

Ambos lados, revisión anterior Revisión previa
ia:start [2018/08/21 10:43]
Joaquín Herrero Pintado
ia:start [2018/08/21 10:44] (actual)
Joaquín Herrero Pintado
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
ia/start.txt · Última modificación: 2018/08/21 10:44 por Joaquín Herrero Pintado