Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN “FACULTAD DE INGENIERÍA MECÁNICA Y ELÉCTRICA” “INTELIGENCIA ARTIFICIAL Y REDES NEURONALES” ACTIVIDAD 6 “EL ESTUDIANTE REALIZA UNA SINTESIS DE LOS CONCEPTOS GENERALES SOBRE REDES NEURONALES, LA INFORMACION DEBERA SER SINTETIZADA, CATEGORIZADA POR CAMPO DE APLICACION Y PRESENTADA EN UN RESUMEN Y MAPA MENTAL.” EQUIPO 07: SEMESTRE: ENERO-JUNIO 2023 CATEDRÁTICO: FECHA DE ENTREGA: 15/05/2023 Síntesis Las redes neuronales son modelos de aprendizaje automático inspirados en el funcionamiento del cerebro humano. Consisten en una serie de nodos interconectados llamados neuronas artificiales, que se organizan en capas para procesar y transmitir información. A continuación, se presenta una síntesis de los conceptos generales sobre redes neuronales, categorizados por campo de aplicación: - Redes neuronales artificiales (RNA): Son el tipo más común de redes neuronales y se utilizan en una amplia gama de aplicaciones. Estas redes están compuestas por una capa de entrada, una o más capas ocultas y una capa de salida. La información fluye hacia adelante a través de la red desde la capa de entrada hasta la capa de salida, y el aprendizaje se logra ajustando los pesos de las conexiones entre las neuronas. - Redes neuronales convolucionales (CNN): Son ampliamente utilizadas en el procesamiento de imágenes y visión por computadora. Las CNN están diseñadas para detectar características y patrones visuales en imágenes. Utilizan capas convolucionales para extraer características y capas de pooling para reducir la dimensionalidad de los datos. Las CNN han logrado avances significativos en tareas como reconocimiento de objetos, clasificación de imágenes y detección de rostros. - Redes neuronales recurrentes (RNN): Son adecuadas para el procesamiento de datos secuenciales, como el procesamiento del lenguaje natural y la generación de texto. A diferencia de las RNA, las RNN tienen conexiones retroalimentadas, lo que les permite mantener información en su estado interno o memoria. Esta capacidad de memoria les permite capturar dependencias temporales y modelar secuencias de datos. - Redes neuronales generativas adversariales (GAN): Son un tipo especial de redes neuronales utilizadas para generar contenido nuevo y realista, como imágenes, música o texto. Las GAN consisten en dos redes: un generador y un discriminador. El generador crea muestras sintéticas, mientras que el discriminador evalúa la autenticidad de las muestras. A medida que estas dos redes se entrenan en competencia, el generador mejora su capacidad para generar contenido realista. REDES NEURONALES son simiLaRes a Las Redes feedfoRwaRd, PeRo geneRaLmenTe se UTiLizan PaRa eL ReconocimienTo de imágenes, eL ReconocimienTo de PaTRones y / o La visión PoR comPUTadoRa. TRes caPas, qUe seRía incLUsiva de Las enTRadas y La saLida, PUede consideRaRse Un aLgoRiTmo de deeP LeaRning. enTRada, PondeRaciones, Un sesgo (o UmbRaL) y Una saLida SE IDENTIFICAN POR SUS CIRCUITOS DE RETROALIMENTACIÓN Una caPa de enTRada, Una caPa o caPas ocULTas y Una caPa de saLida. Si bien esTas Redes neURonaLes También se conocen comúnmenTe como ML EFLEJAN EL COMPORTAMIENTO DEL CEREBRO HUMANO, LO QUE PERMITE QUE LOS PROGRAMAS INFORMÁTICOS RECONOZCAN PATRONES Y SOLUCIONEN PROBLEMAS COMUNES EN LOS CAMPOS DE LA IA, EL MACHINE LEARNING Y EL DEEP LEARNING. Redes neURonaLes RecURRenTes (RNN) Se comPonen ESTÁ COftPUESTO Las Redes neURonaLes convoLUcionaLes (CNN) consTa https://www.ibm.com/es-es/topics/recurrent-neural-networks Referencias Bibliográficas - Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. - Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. - LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. - Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural networks, 61, 85-117. “INTELIGENCIA ARTIFICIAL Y REDES NEURONALES” CATEDRÁTICO: Síntesis Referencias Bibliográficas
Compartir