RNA - Clasificación by NURY YASMIN ROJAS MARTINEZ

Redes de Generación de adversarios.

2020-10-04 19:51:06 UTC

Diana Quintero
David Clavijo
José Daniel Gómez.

Utilizan deep learning para su desarrollo.
El objetivo principal de las GAN es generar datos desde cero. Para ello las GAN emplean dos redes neuronales y las enfrentan mutuamente. La primera red es el "generador" y la segunda es el "discriminador".
Tanto el generador como el discriminador van mejorando simultáneamente hasta que llega un punto que para nosotros, los humanos, las imágenes creadas por el generador nos parecen tan realistas que no podemos distinguirlas de imágenes reales.

Usos:
* thispersondoesnotexist.com es una web creada por nvidia que crea caras en alta definición de personas que no existen.

* Generación de paisajes realistas a partir de bocetos
nvidia nos sorprende una vez más con un prototipo basado en redes neuronales generativas adversarias. Con este prototipo, cualquiera se puede convertir en un pintor profesional, ya que permite generar escenas realistas a partir de bocetos muy simples.

https://www.youtube.com/watch?v=MXWm6w4E5q0

https://www.vertigopolitico.com/todo-menos-politica/conocimiento/ventajas-y-riesgos-de-las-redes-generativas-antagonicas

PERCEPTRÓN MULTICAPA

2020-10-04 19:55:24 UTC

Es una red neuronal artificial (RNA) formada por múltiples capas, de tal manera que tiene capacidad para resolver problemas que no son linealmente separables, lo cual es la principal limitación del perceptrón (también llamado perceptrón simple). El perceptrón multicapa puede estar totalmente o localmente conectado.

Se usan con alta efectividad para predecir conductas de las personas, lo cual es muy útil para definir conductas sociales y a nivel médico poder seleccionar el mejor tipo de tratamiento para modificar conductas negativas o adictivas.

https://www.youtube.com/watch?v=Fz4Uo8_uUfg

Paola Lozada
Lina Peña
Jorge Torres

Memoria Limitada - Memoria a corto plazo.

2020-10-04 20:03:09 UTC

Son las que pueden interactuar con la realidad aunque no completamente, y se diferencian de las máquinas reactivas en que utilizan esos datos para funcionar de forma adecuada con respecto al entorno. Aunque comprenden el universo para el que están programadas como un todo complejo, su memoria es de corto plazo y no almacena experiencias para "aprender" de ellas, como ocurre en el proceso cognitivo humano.

Ejemplo
Coches autónomos: observan la velocidad y dirección de otros autos. Para que funcionen así hay que identificar objetos específicos y monitorearlos a lo largo del tiempo.

Vehículos aéreos no tripulados, o cualquier máquina que debe procesar información de su entorno cambiante y actuar adecuadamente frente a ello.

Juan Pablo Gil
Cristian Garcia
Alisson Criollo
Oscar de los Rios

DBN Redes de creencias profundas.

2020-10-04 20:05:30 UTC

Red de creencia profunda. DBN Deep belief network, es compuesta por múltiples capas ocultas, no tienen conexiones dentro cada capa, pero si hay conexiones entre las capas. cada capa oculta de una subred sirve como la capa visible para la siguiente. Es un tipo de entrenamiento no supervisado.

Sea X la matriz de entradas, considerada como un conjunto de vectores de características.

Entrenar una RBM con X para obtener su matriz de pesos, W. Esta se usará como la matriz de pesos entre las dos capas inferiores de la red.
Transformar X mediante la RBM para producir una nueva X'.
Repetir este procedimiento con X ← X' para la próxima pareja de capas, hasta las dos capas superiores.
Realizar el ajuste fino de los parámetros de esta arquitectura profunda respecto a un criterio de log-verosimilitud o a uno de entrenamiento supervisado (tras añadir maquinaria adicional de aprendizaje para convertir la representación aprendida en predicciones supervisadas).

* Las redes neuronales profundas son el avance más reciente del aprendizaje de máquina, la rama de la Inteligencia Artificial que se encarga del descubrimiento de patrones y relaciones en los datos para hacer predicciones o tomar decisiones. Desde el inicio de su auge en 2012, las redes neuronales profundas están detrás de sistemas avanzados de reconocimiento facial, la creación de textos por una computadora, la conducción de los vehículos autónomos y del sistema AlphaGo que venció al campeón mundial de Go en 2016.

* Máquina de Boltzmann son capaces de aprender mediante representaciones internas y resolver problemas combinatorios.

Leidy Basto
Holman Ibito
Gustavo Juanias

REDES RECURRENTES. Este tipo de red se enfoca en el reconocimiento de imágenes, audio y video, basada en una secuencia de datos generando un estilo de memoria. Tipos: ONE TO MANY: Se ingresa una imagen y se transcribe en texto. MANY TO ONE: Se ingresa un texto y lo clasifica en una categoría. MANY TO MANY: Se ingresa un texto y lo convierte en texto (traducción) o audio convertido a texto.

2020-10-04 20:09:41 UTC

Orfenys Perez
Alvaro Lopez
Divet Vargas

Las redes Sigmoidales funcionan gracias a la función sigmoide, que es la siguiente

2020-10-04 20:09:55 UTC

Los valores de salida que proporciona esta función están comprendidos dentro de un rango que va de 0 a 1. Al modificar el valor de g se ve afectada la pendiente de la función de activación.

MNCA
JAR
OG

2020-10-04 20:10:08 UTC

Tanto en las redes neuronales artificiales como biológicas, una neurona no sólo transmite la entrada que recibe. Existe un paso adicional, una función de activación, que es análoga a la tasa de potencial de acción disparando en el cerebro. La función de activación utiliza la misma suma ponderada de la entrada anterior, z=b+∑iwixi, y la transforma una vez más como salida.

2020-10-04 20:13:39 UTC

Históricamente, la función sigmoide es la función de activación más antigua y popular. Se define como:

σ(x)=1/1+e−x

e denota la

constante exponencial, que es aproximadamente igual a 2,71828. Una neurona que utiliza la sigmoide como función de activación se llama neurona sigmoide. Primero establecemos que la variable z

equivale a nuestra suma ponderada de entrada y después la pasamos a través de la función sigmoide.

z=b+∑iwixi
σ(z)=1/1+e−z

Aunque la ecuación parece complicada y arbitraria, en realidad tiene una forma bastante simple. La podemos ver si trazamos el valor de σ(z) como función de la entrada z

Miguel Camacho
Jesus Acevedo