Resumen analítico y explicativo de algoritmos de redes neuronales artificiales

Vista previa del material en texto

Algoritmos Computacionales Grupo C 
M. Cruz Apuntes de prueba de regularización Curso de invierno 2022 
Resumen analítico y explicativo de algoritmos de redes 
neuronales artificiales 
Las redes neuronales artificiales (RNA) son un tipo de 
algoritmo de aprendizaje automático que se inspira en 
el funcionamiento del cerebro humano. Las RNA están 
compuestas por una serie de nodos interconectados, 
cada uno de los cuales representa una función 
matemática. 
¿Qué es una red neuronal artificial? 
Una red neuronal artificial es un modelo matemático 
que se utiliza para aprender de los datos. Las RNA 
están inspiradas en el funcionamiento del cerebro 
humano, que está formado por millones de neuronas 
interconectadas. 
¿Cómo funciona una red neuronal artificial? 
Las RNA aprenden de los datos a través de un proceso 
de entrenamiento. En el entrenamiento, la RNA se 
alimenta con un conjunto de datos de entrada y salida. 
La RNA utiliza estos datos para ajustar los pesos de sus 
conexiones neuronales. 
Ejemplo: 
Supongamos que tenemos un conjunto de datos de 
imágenes de gatos y perros. Cada imagen está 
etiquetada como "gato" o "perro". Podemos utilizar una 
RNA para aprender a clasificar estas imágenes. 
Para entrenar la RNA, alimentaríamos la RNA con un 
conjunto de datos de imágenes de gatos y perros. La 
RNA utilizaría estos datos para ajustar los pesos de sus 
conexiones neuronales. 
Una vez que la RNA se ha entrenado, podemos 
utilizarla para clasificar nuevas imágenes. Para 
clasificar una nueva imagen, la RNA calcularía la salida 
de cada nodo de la capa de salida. El nodo con la 
salida más alta indicaría la clase de la imagen. 
Ventajas y desventajas de las redes neuronales 
artificiales 
Las RNA tienen una serie de ventajas, entre ellas: 
• Pueden aprender 
de datos 
complejos. 
• Pueden 
generalizar a 
nuevos datos. 
• Pueden utilizarse 
para una amplia 
gama de tareas. 
Sin embargo, las RNA 
también tienen algunas 
desventajas, entre ellas: 
• Pueden ser 
difíciles de 
entender y 
explicar. 
• Pueden ser 
propensas al 
sobreajuste. 
• Pueden ser 
computacionalme
nte costosas. 
Conclusión 
Las RNA son una 
herramienta poderosa 
que se puede utilizar en 
una amplia gama de 
aplicaciones. Son una 
buena opción para 
tareas de clasificación, 
regresión y aprendizaje 
no supervisado.