Flashcards
2017-04-25_DI_EX_P3
Cards in this deck (37)
- 1¿Qué es aprendizaje automático?Involucra mecanismos adaptativos que le permiten a las computadoras aprender de la experiencia, ejemplos y analogías
- 2Los dos Enfoques más populares para el aprendizaje automáticoRedes neuronales artificiales
Algoritmos genéticos - 3¿Qué es una red neuronal?Modelo de razonamiento basado en el cerebro humano
- 4Elementos de una célulaCuerpo - soma
fibras entrada - dendritas
fibra salida - axon - 5El cerebro humano es considerado como un sistema...De procesamiento de información complejo, lineal y paralelo
- 6¿Qué pueden reconocer las redes neuronales artificiales?Palabras escritas a mano
Palabras en el habla humana
Detectar explosivos en un aeropuerto - 7¿Cómo es que las redes neuronales artificiales pueden modelar el cerebro?Por medio de muchos procesadores interconectados, también llamados neuronas, interconectados por señales. Cada neurona recibe varias entradas pero solo produce una salida, la cual es transmitida a través de la conexión de salida. La salida se divide en varias ramas que transmiten una misma señal, las cuales conectan a otras neuronas
- 8¿Qué son los pesos numéricos?Expresan la fuerza de cada entrada. Son equivalentes a la sinapsis en una red neuronal biológica
- 9¿Cómo es que una red neuronal aprende?A través de repetidos ajustes sobre los pesos numéricos
- 10Función de entrada y explicación de sus elementosFUNCION
- 11Funcion de activación y explicación de sus elementosFUNCION
- 12Funciones de activación de una neuronaEscalón
Linear
Sigmoide - 13¿Quién introdujo el algoritmo de entrenamiento perceptron?Frank Rosenblatt
- 14¿Cómo es que perceptron aprende la clasificación de tareas?Haciendo pequeños ajustes a los tamaños para reducir la diferencia entre salida actual y la deseada
- 15Rango que se puede asignar a la salida deseada[-0.5, 0.5]
- 16Función de errore = YD - YR
- 17¿Cómo se establece la regla de aprendizaje de perceptron?wi(p+1) = w + a + xi * e
- 18¿Qué representa alfa?Factor de aprendizaje
- 19Pasos para el proceso de entrenamientoInicialización
Activación
Entrenamiento - Pesos
Iteración - 20Entrenamiento, explicación del paso de InicializaciónColoca los pesos iniciales wi y el umbral de activación
- 21Rango válido para el umbral de activación[ -0.5, 0.5 ]
- 22Entrenamiento, explicación del paso de ActivaciónSe aplica la función de entrada y la función de aplicación
- 23Entrenamiento, explicación del paso de Entrenamiento - PesoCalcula DeltaW y actualiza los pesos del perceptron
- 24¿Qué representa deltaW?La corrección del peso
- 25Entrenamiento, explicación del paso IteraciónPasa al siguiente elemento de la iteración desde el proceso de Activación hasta que se logre la convergencia
- 26¿Qué es la convergencia?Un conjunto uniforme de valores
- 27¿Qué operaciones puede ejecutar un perceptron?AND y OR
- 28¿Porqué el perceptron no puede ejecutar un OR exclusivo?Por la función de entrada, que solo permite funciones linealmente separables y un OR exclusivo no tiene este tipo de función
- 29¿Como lidiar con problemas que no son linealmente separables?Usar una red neuronal multicapa, existen formas avanzadas entrenadas con un algoritmo de back-propagation
- 30Capas encontradas normalmente en una red neuronal multicapaInput layer
Hidden layer
Output layer - 31¿De qué se encarga Input Layer?Acepta señales de entrada y las distribuye a todas las neuronas de la hidden layer
- 32¿De qué se encarga la Hidden layer?Las neuronas de esta capa detectan el peso de las neuronas, el cual está escondido en los patrones de entrada
- 33¿De qué se encarga el Output Layer?Trabaja con los pesos encontrados en la hidden layer para poder determinar el patrón de salida de la red completa. Dichos pesos son recibidos a través de señales de salida
- 34¿Qué podemos representar con una hidden layer? ¿Y con dos?1 Hidden layer: funciones continuas
2 Hidden layer: funciones discontinuas - 35¿Porqué la hidden layer se llama así?Esconde la salida deseada
- 36¿Puede una red neuronal tener más de 2 hidden layer?Cada capa contiene entre 100 y 1000 neuronas. Los modelos experimentales usan entre 3 y 4 hidden layers. Pero la cantidad recomendable es 3 debido a que cada capa adicional aumenta considerablemente el proceso computacional
- 37—
Information
- Description
- Flashcards on 2017-04-25_DI_EX_P3, created by CAROLINA SANTANA DE LOS RIOS on 25/04/2017.
- Created by
- CAROLINA SANTANA DE LOS RIOS · Apr 2017
- Updated
- Apr 26, 2017
- Views
- 0
- Rating