Tadeo Juarez
👋🏼Dejo lo que entendí de la clase 👇🏼
Que es una red neuronal
Una red neuronal son capas de neuronas, capas que tienen como objetivo recibir datos y aprender de ellos, esto lo hace con neuronas, neuronas que como en la biología del humano almacena y relaciona información, de esta relación entre neuronas es como aprende. Hay diferentes tipos de neuronas donde cambia la forma que cada una estructura sus capas de neuronas para procesar mejor cierto tipo de información
Que compone una neurona
Peso: Asigna un peso dependiendo de que tan importante es esta característica para el resultado
Bias (Sesgo): Asegura que no sobre aprenda y memorice los patrones
Función de Activación: Libertad de usar los mismos patrones o crear nuevos
Proceso en una red neuronal de una capa y multicapa
Función de perdida
La función de perdida es la función que compara los resultados de las capas de la red neuronal con los datos reales. En funciones lineales normalmente se usa el error cuadrático promedio, donde idealmente se debe llegar a 0 (ósea que nuestra red neuronal predice al 100%)
Método de propagación negra
Ahora que ya sabemos que tan bien predice nuestros datos la neurona, usamos el resultado de la función de perdida para ajustar los pesos y bias de las neuronas de las capas. Esto es para mejorar con cada entrenamiento y acercarnos a un error cuadrático promedio de 0
Teorema de aproximación universal
Establece que cualquier problema que puede ser matemáticamente formulado puede ser aproximado por una red neuronal y que use funciones de activación no lineales puede ser modelado, como funciones curvas.
