
Deep Learning
Teoría y aplicacionesBy Jesús Alfonso López SoteloLength11h 59m
About this audiobook
El aprendizaje profundo o Deep Learning es una evolución de las redes neuronales artificiales (RNA). Las RNA constituyen una de las técnicas más relevantes de la inteligencia artificial que trata de emular la manera como trabajan las neuronas del cerebro. Este enfoque se encuentra dentro de la vertiente denominada conexionista, pues se basa en imitar el funcionamiento cerebral por medio de redes formadas por unidades sencillas (neuronas artificiales) interconectadas entre sí. Además, el conocimiento se modifica cambiando la fuerza o el valor de las conexiones existentes entre las diferentes neuronas de la red.
Audiobook details
GenreTechnology
Length11 hrs 59 mins
Narrated byListen with 1,000+ voices
FormateBook with Audio
Publish dateAug 3, 2021
LanguageSpanish
Table of contents
1Jesús Alfonso López Sotelo
2XIX
3ImageDataStore de Matlab.
4Constante usada para estabilidad numérica (evitar división por cero)
5PRESENTACIÓN
Show all chaptersShow less
6G y
7FIGURA 1.9 Procesamiento función de activación Softmax.
8Aprendizaje por refuerzo
9Evaluación
10Por lo anterior, decidimos agrupar las aplicaciones dependiendo de la información
11Segmentación
12Asistentes virtuales
13FIGURA 2.5 Región de separación lineal de un Perceptron en el plano.
14Tabla 0.2 Patrones de entrenamiento.
15TABLA 2.1 Pasos para el entrenamiento de una red Perceptron.
16Paso 5 Actualizamos los pesos de la capa de salida.
17TABLA 2.3 Pasos para el entrenamiento de una red ADALINE.
182 𝑀𝑀
19FIGURA 2.16 Patrones a clasificar.
20Vector de patrones
21FIGURA 2.22 Diagrama para verificar el comportamiento de la red neuronal.
22Patrón de entradas X
23Patrón salidas D
24TABLA 2.8 Validación de la red usando como entrada el número siete.
25TABLA 2.9 Validación de la red usando como entrada el número nueve.
26anterior aplicación:
27FIGURA 2.26 Evolución del error de entrenamiento.
28Entrada Salida Deseada
292.5 Tiempo
30Salida Salida Deseada Error
313 Tiempo
32FIGURA 2.32 Código para filtrar una señal senoidal usando una red Adaline.
33FIGURA 2.35 Señales en el proceso de filtrado de voz.
34EJERCICIOS PROPUESTOS
351 𝑀𝑀
36(𝑡𝑡) + 𝛥𝛥𝑤𝑤.!
37(𝑁𝑁𝑁𝑁𝑡𝑡𝑎𝑎&!
38𝛼𝛼(𝑡𝑡 + 1) = U
39idea del momentum.
40𝑮𝑮
41FIGURA 3.10 Evolución del gradiente.
42FIGURA 3.11 Curvas de nivel de la función de error.
43FIGURA 3.12 Conjunto de datos de entrenamiento y validación.
44X
45FIGURA 3.14 Sobreentrenamiento en una red neuronal artificial.
464 5 9 Epochs
47E
48FIGURA 3.18 Separación lograda por una red MLP.
49FIGURA 3.23 Superficie original.
50FIGURA 3.27 Superficie aprendida por la red al fin del aprendizaje.