Crear una red Neuronal Artificial

Apellidos y Nombres: 

Roque Espinoza Guido Deyvid

ID:

1374850

Dirección Zonal/CFP:

Abancay

Carrera:

Ingeniería de software con I. A

Semestre:

VI

Curso/ Mód. Formativo

Redes Neuronales.

Tema del Trabajo:    

Crear una red Neuronal Artificial.

N°

ACTIVIDADES/ ENTREGABLES

CRONOGRAMA/ FECHA DE ENTREGA

--

SEMANAS

SEMANA 01

SEMANA 02

SEMANA 03

01

Búsqueda de información---------E1

02

Desarrollo de preguntas Guía----E1

03

Revisión del trabajo------------E1

04

Envío del trabajo---------------E1

05

Investigación-------------------E2

I

06

Desarrollo del trabajo----------E2

07

Revisión del trabajo final------E2

08

Envío del trabajo final---------E2

Nº

PREGUNTAS

1

¿Cómo se entrena una red Neuronal?

2

¿Cuáles son los principales tipos de redes neuronales?

3

¿Cuáles es la importancia de las funciones de activación de las redes neuronales?

4

¿En qué consiste la transferencia de aprendizaje en el contexto de las Redes Neuronales y cuáles son las ventajas?

5

¿Cómo se evalúa el rendimiento de una Red Neuronal?

6

¿Qué papel desempeña la capa de salida en una Red Neuronal?

1.

¿Cómo se entrena una red Neuronal?

Para entrenar una red neuronal, define su arquitectura, proporciona datos de entrada y salida, divídelos en conjuntos de entrenamiento, validación y prueba. Utiliza algoritmos como la retro propagación para ajustar los pesos, minimizando el error entre la salida obtenida y la deseada. Repite el proceso hasta alcanzar la precisión deseada o cumplir un criterio de parada. Finalmente, evalúa el rendimiento con el conjunto de prueba y resume los resultados comparativamente.

Para entrenar una red neuronal, yo sigo estos pasos:

• Defino el problema y el tipo de red neuronal que se adapta mejor a él, según el tipo de datos y la tarea que quiero realizar.

• Elijo los datos de entrada y salida esperada, y los divido en conjuntos de entrenamiento, validación y prueba. Los datos deben ser suficientes y representativos del problema.

• Configuro los parámetros de la red, como el número de capas, el número de neuronas, las funciones de activación, la tasa de aprendizaje, etc. Estos parámetros afectan el aprendizaje y el rendimiento de la red.

• Entreno la red usando un algoritmo de aprendizaje supervisado, como el de retro propagación. Este algoritmo ajusta los pesos de las conexiones entre las neuronas para minimizar el error entre la salida obtenida y la esperada.

• Evalúo la red con el conjunto de prueba y comparo los resultados con otros modelos. También busco formas de mejorar la red o aplicarla a otros problemas.

Algunas referencias que me han sido útiles son:

https://aws.amazon.com/es/what-is/neural-network/#:~:text=Una%20red%20neuronal%20es%20un,lo%20hace%20el%20cerebro%20humano.

https://www.ibm.com/es-es/topics/neural-networks

https://www.xeridia.com/blog/redes-neuronales-artificiales-que-son-y-como-se-entrenan-parte-i

[pic 6]

2.

¿Cuáles son los principales tipos de redes neuronales?

Las redes neuronales son modelos computacionales inspirados en el cerebro humano que pueden aprender de los datos y realizar diversas tareas. Existen diferentes tipos de redes neuronales según su estructura, función y aplicación. Algunos de los tipos más comunes son:

• Perceptrón: Es la red neuronal más simple, formada por una sola capa de neuronas que conecta la entrada con la salida. Se utiliza para problemas de clasificación lineal.

• Red neuronal de avance: Es una red neuronal que tiene varias capas de neuronas, incluyendo una capa de entrada, una o más capas ocultas y una capa de salida. Cada neurona está conectada con todas las neuronas de la siguiente capa, pero no hay conexiones entre las neuronas de la misma capa ni bucles. Se utiliza para problemas de clasificación, regresión, reconocimiento de patrones, visión por computador, etc.

• Red neuronal recurrente: Es una red neuronal que tiene conexiones entre las neuronas de la misma capa o entre las capas anteriores y posteriores, lo que le permite tener memoria y procesar secuencias temporales. Se utiliza para problemas de procesamiento del lenguaje natural, generación de texto, traducción automática, reconocimiento de voz, etc.

• Red neuronal convolucional: Es una red neuronal que tiene capas especiales llamadas convoluciones, que aplican filtros sobre regiones locales de la entrada para extraer características relevantes. Se utiliza para problemas de análisis de imágenes, detección de objetos, reconocimiento facial, etc.

• Red neuronal generativa: Es una red neuronal que puede generar nuevos datos a partir de los existentes, siguiendo una distribución probabilística. Se utiliza para problemas de generación de imágenes, síntesis de voz, transferencia de estilo, etc.

REFERENCIAS:

https://ichi.pro/es/principales-tipos-de-redes-neuronales-y-sus-aplicaciones-tutorial-126738056604814

https://www.inesdi.com/blog/que-son-las-redes-neuronales/

https://ebac.mx/blog/red-neuronal

[pic 7]

3.

¿Cuál es la importancia de las funciones de activación de las redes neuronales?

Las funciones de activación de las redes neuronales son importantes porque determinan la salida de cada neurona en función de su entrada, y por lo tanto influyen en el comportamiento y el rendimiento de la red. Las funciones de activación permiten introducir no linealidad en la red, lo que le da la capacidad de aprender y modelar problemas complejos que no se pueden resolver con funciones lineales. Además, las funciones de activación ayudan a regular el rango de la salida, evitando valores extremos o infinitos que puedan causar problemas de estabilidad o convergencia. Existen diferentes tipos de funciones de activación, cada una con sus ventajas y desventajas, y se deben elegir según el tipo de problema, los datos y la arquitectura de la red. Algunas de las funciones de activación más comunes son la sigmoide, la tangente hiperbólica, la ReLU y la softmax.

REFERENCIAS:

https://medium.com/escueladeinteligenciaartificial/funciones-de-activaci%C3%B3n-para-redes-neuronales-de00fefb7150

https://inteligenciaartificial.science/funciones-de-activacion-en-redes-neuronales/

https://colab.research.google.com/github/AprendizajeProfundo/Libro-Fundamentos/blob/main/Redes_Neuronales/Cuadernos/Activation_Functions.ipynb

[pic 8]

4.

¿En qué consiste la transferencia de aprendizaje en el contexto de las Redes Neuronales y cuáles son las ventajas?

La transferencia de aprendizaje en el contexto de las redes neuronales consiste en utilizar una red neuronal que ya ha sido entrenada en una tarea previa y aplicarla a una nueva tarea relacionada, aprovechando el conocimiento adquirido. Las ventajas de esta técnica son:

• Mejora el rendimiento: Al partir de una red neuronal que ya ha aprendido características generales y relevantes, se puede obtener una mayor precisión y capacidad de generalización en la nueva tarea.
• Ahorra tiempo y recursos: Al no tener que entrenar la red neuronal desde cero, se reduce el tiempo y los recursos necesarios para el entrenamiento, lo que facilita el uso de arquitecturas complejas y probadas.
• Mejora la capacidad de generalización: Al aprender características de bajo nivel y abstractas en la tarea previa, la red neuronal puede capturar patrones comunes que son útiles en una amplia gama de tareas.

REFERENCIAS:

https://medium.com/metadatos/qu%C3%A9-es-la-transferencia-de-aprendizaje-y-c%C3%B3mo-aplicarla-a-tu-red-neuronal-e0e120156e40

https://aprender-libre.com/transferencia-de-aprendizaje-en-redes-neuronales/

https://rubialesalberto.medium.com/redes-neuronales-qu%C3%A9-es-transfer-learning-y-fine-tuning-8259a81cfdbc

[pic 9]

5.

¿Cómo se evalúa el rendimiento de una Red Neuronal?

El rendimiento de una red neuronal se puede evaluar mediante diferentes métricas, dependiendo del tipo de problema que se quiera resolver. Algunas de las métricas más comunes son:

• Para problemas de clasificación, se pueden usar la precisión, el recall, la F1-score, la matriz de confusión, la curva ROC y el área bajo la curva (AUC), entre otras. Estas métricas miden la capacidad de la red para asignar correctamente las etiquetas a las entradas, y también para distinguir entre las diferentes clases.
• Para problemas de regresión, se pueden usar el error cuadrático medio (MSE), el error absoluto medio (MAE), el coeficiente de determinación (R2), entre otras. Estas métricas miden la diferencia entre los valores predichos por la red y los valores reales, y también el grado de ajuste de la red al patrón de los datos.

Para calcular estas métricas, se necesita tener un conjunto de datos de prueba, que no haya sido usado para entrenar la red, y que tenga las etiquetas o valores reales asociados. Luego, se pasa este conjunto por la red y se comparan las salidas con las etiquetas o valores reales. Finalmente, se aplican las fórmulas correspondientes a cada métrica para obtener los resultados. 

REFERENCIAS:

https://datasmarts.net/es/como-calcular-metricas-de-clasificacion-en-deep-learning-con-keras-y-scikit-learn/

https://repositorio.banrep.gov.co/handle/20.500.12134/5592

[pic 10]

6.

¿Qué papel desempeña la capa de salida en una Red Neuronal?

La capa de salida en una red neuronal artificial es la última capa de neuronas que produce las salidas deseadas para el programa. La capa de salida tiene un papel importante en determinar el tipo y la calidad de la predicción o clasificación que realiza la red. La capa de salida recibe las entradas que se pasan desde las capas anteriores, realiza los cálculos a través de sus neuronas y luego se calcula la salida. La capa de salida también puede tener una función de activación que transforma la salida en un formato adecuado para el problema que se quiere resolver.

Por ejemplo, si el problema es de clasificación binaria, se puede usar una función sigmoide que devuelve valores entre 0 y 1, que se pueden interpretar como probabilidades. Si el problema es de regresión, se puede usar una función lineal que devuelve valores continuos. La capa de salida también determina el tipo de función de pérdida o error que se usa para medir el rendimiento de la red y ajustar los pesos durante el entrenamiento. Por ejemplo, si el problema es de clasificación, se puede usar la entropía cruzada como función de pérdida, que mide la diferencia entre las salidas esperadas y las predichas. Si el problema es de regresión, se puede usar el error cuadrático medio como función de error, que mide la distancia entre los valores reales y los estimados.

REFERENCIAS:

https://ichi.pro/es/capas-de-redes-neuronales-129624486048658

https://www.ibm.com/docs/es/spss-modeler/saas?topic=networks-neural-model

https://techinfo.wiki/capa-de-salida/

[pic 11]