My epic wall by _Jose_D_ https://padlet.com/jdava1127/t5ehnkco60yl Made with swagger en-us 2017-12-05 17:11:47 UTC 2025-10-26 00:56:43 UTC hello@padlet.com jdava1127 https://padlet.com/jdava1127/t5ehnkco60yl/wish/213400503 Centro Educativo Santo Domingo
José David Alveo
Informatica
Redes neuronales artificiales
Guadalupe Espinoza
8°A
2017]]> 2017-12-05 17:12:51 UTC https://padlet.com/jdava1127/t5ehnkco60yl/wish/213400503 Que son Redes neuronales artificiales? jdava1127 https://padlet.com/jdava1127/t5ehnkco60yl/wish/213402160 Las redes neuronales (también conocidas como sistemas conexionistas) son un modelo computacional basado en un gran conjunto de unidades neuronales simples , de forma aproximadamente análoga al comportamiento observado en los axones de las neuronas en los cerebros biológicos. ]]> 2017-12-05 17:15:45 UTC https://padlet.com/jdava1127/t5ehnkco60yl/wish/213402160 Ventajas jdava1127 https://padlet.com/jdava1127/t5ehnkco60yl/wish/213407712
  • Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cuál es la salida (respuesta) esperada.
  • Auto organización: Una RNA crea su propia representación de la información en su interior, descargando al usuario de esto.
  • Tolerancia a fallos: Debido a que una RNA almacena la información de forma redundante, ésta puede seguir respondiendo de manera aceptable aun si se daña parcialmente.

    • ]]>     2017-12-05 17:25:07 UTC https://padlet.com/jdava1127/t5ehnkco60yl/wish/213407712     Desventajas jdava1127 https://padlet.com/jdava1127/t5ehnkco60yl/wish/213408627 Otros problemas con las redes neuronales son la falta de reglas definitorias que ayuden a construir una red para un problema dado – hay muchos factores a tomar en cuanta: el algoritmo de aprendizaje, la arquitectura, el número de neuronas por capa, el número de capas, la representación de los datos y mucho más.]]> 2017-12-05 17:26:57 UTC https://padlet.com/jdava1127/t5ehnkco60yl/wish/213408627 Aplicaciones jdava1127 https://padlet.com/jdava1127/t5ehnkco60yl/wish/213409643 Algunas de estas son:
    -Biología
    -Empresa
    -Medio ambiente
    -Finanzas
    -Manufacturación
    -Medicina
    -Militares]]>     2017-12-05 17:29:03 UTC https://padlet.com/jdava1127/t5ehnkco60yl/wish/213409643     Como funciona? jdava1127 https://padlet.com/jdava1127/t5ehnkco60yl/wish/213412496 El nombre, como podéis imaginar, viene de la idea de imitar el funcionamiento de las redes neuronales de los organismos vivos: un conjunto de neuronas conectadas entre sí y que trabajan en conjunto, sin que haya una tarea concreta para cada una.]]> 2017-12-05 17:34:57 UTC https://padlet.com/jdava1127/t5ehnkco60yl/wish/213412496 Origen jdava1127 https://padlet.com/jdava1127/t5ehnkco60yl/wish/213416113        Desde la década de los 40, en la que nació y comenzó a desarrollarse la informática, el modelo neuronal la ha acompañado. De hecho, la aparición de los computadores digitales y el desarrollo de las teorías modernas acerca del aprendizaje y del procesamiento neuronal se produjeron aproximadamente al mismo tiempo, a finales de los años cuarenta.]]> 2017-12-05 17:41:59 UTC https://padlet.com/jdava1127/t5ehnkco60yl/wish/213416113 Modelo Neuronal jdava1127 https://padlet.com/jdava1127/t5ehnkco60yl/wish/213417113  El modelo de Rumelhart y McClelland (1986) define un elemento de proceso, o neurona artificial, como un dispositivo que a partir de un conjunto de entradas, xi (i=1...n) o vector x, genera una única salida.]]> 2017-12-05 17:44:08 UTC https://padlet.com/jdava1127/t5ehnkco60yl/wish/213417113 Algoritmos jdava1127 https://padlet.com/jdava1127/t5ehnkco60yl/wish/213430857  En cuanto a los algoritmos de aprendizaje, tenemos cuatro tipos:
                Minimización del error: reducción del gradiente, retropropagación, etc. La modificación de pesos está orientada a que el error cometido sea mínimo.
     Boltzmann: para redes estocásticas, donde se contemplan parámetros aleatorios.
     Hebb: cuando el disparo de una célula activa otra, el peso de la conexión entre ambas tiende a reforzarse (Ley de Hebb).
     Competitivo: sólo aprenden las neuronas que se acercan más a la salida deseada.
    ]]>     2017-12-05 18:07:02 UTC https://padlet.com/jdava1127/t5ehnkco60yl/wish/213430857     Investigadores jdava1127 https://padlet.com/jdava1127/t5ehnkco60yl/wish/213431837 • 1959 Widrow Teoría sobre la adaptación neuronal y el Adaline (Adaptative Linear Neuron) y el Madaline (Multiple Adaline). Es la primera aplicación de las redes a problemas reales: filtros adaptativos para eliminar ecos en las líneas telefónicas.
    • 1962, Rosemblatt El Perceptrón es un identificador de patrones ópticos binarios, y salida binaria. Dio lugar a regla de aprendizaje delta, que permitía emplear señales continuas de entrada y salida.
    • 1969, Minsky y Papert una seria crítica del Perceptrón que dada su naturaleza lineal tenia bastantes limitaciones, provocó una caída en picado de las investigaciones y una época gris para las redes neuronales.
    • 1977, Anderson Los Modelos de memorias asociativas. Investiga el autoasociador lineal brain-state-in-a-box
    ]]>     2017-12-05 18:08:42 UTC https://padlet.com/jdava1127/t5ehnkco60yl/wish/213431837