8. Redes neuronales

[@sam-bu4hk]

No pudo ser mejor explicado, es un genio !! Gracias

[@JMCASTILLO]

Comentarios como el suyo me animan a seguir trabajando en esta línea. Aunque a veces no consigo exponer los contenidos con la claridad adecuada. Muchas gracias por su mensaje.

[@zipolite64]

Fantástico, esto es una clase magistral, gracias por su aportación, estaré siguiendo todos sus videos

[@JMCASTILLO]

Se lo agradezco.

[@alejocor]

Excelente, una explicación muy clara, quedo muy pendiente de la practica puntual de aplicación

[@JMCASTILLO]

Muchas gracias por su mensaje, Alejandro

[@JMCASTILLO]

Gracias por su mensaje. Le aconsejo que vaya practicando con ejemplos sencillos dentro de un entorno que usted conzca.

[@claudiasuazo9372]

Excelente vídeo, muy bien explicado. Espero con ansias más vídeos de temas relacionados, saludos.

[@JMCASTILLO]

Muchas gracias por su mensaje Claudia. En la lista Tecnologías para el Apoyo a la toma de decisiones puede encontrar más vídeos en los que se describen herramientas de Inteligencia Artificial.

[@88calvinklein]

Gracias por sus aportes al mundo.

[@JMCASTILLO]

Gracias a usted por su interés.

[@danielsantana1016]

que funcion de activacion les gusta mas? tange hiperbolica o sigmoide. para mi tangente hiperbolica y capa de salida softmax. NO VEO QUE CAMBIE MUCHO CON OTRA

[@JMCASTILLO]

Lleva usted razón. Hay funciones de entrenamiento que difieren mucho de otras para un grupo determinado de patrones de entrenamiento. Sin embargo, cuando el número de patrones aumenta es posible que encontremos diferencia, y unas funciones alcance el objetivo de entrenamiento de manera más eficiente. Un saludo

[@kevynaguilar8733]

excelente vídeo, espero siga subiendo vídeos como este

[@JMCASTILLO]

Me alegro de que le haya servido. Ese era el objetivo de la publicación. Muchas gracias por su mensaje.

[@pekocho]

Excelente vídeo, mucha gracias por su aporte

[@JMCASTILLO]

Gracias por su comentario.

[@aedm03]

Gracias por su aporte en esta materia...

[@JMCASTILLO]

Gracias a usted por su mensaje.

[@pablormr]

Excelente explicación! Encantado con el video. Muchas gracias.

[@JMCASTILLO]

Gracias a usted por animarme.

[@theddy273]

Gracias por su explicación

[@JMCASTILLO]

Gracias por su mensaje.

[@DavidAieta]

Muchas gracias Dr por el aporte

[@JMCASTILLO]

Gracias a usted por su mensaje, David.

[@matiasherrera8812]

Magistral, la clase magistral

[@JMCASTILLO]

Muchas gracias por su mensaje. Un cordial saludo

[@kevinsalvadoraguilardoming5082]

Tendrá algun video de RNAs de tercera generación ? O sabrá de algún documento o vídeo que lo explique cómo usted? Buen video gracias

[@JMCASTILLO]

Tengo previsto hacer una revisión de las tecnologías básicas de la IA que se exponen en el canal. Entre ellas se encuentran las RN,s de tercera generación entre las que se encuentran las RN,s de ligadura funcional. Espero poder hacerlo antes de que aparezcan las de cuarta generación. Lamento no poder darle más información por el momento. Muchas gracias por su interés.

[@emanuelmacias5551]

Buen día. Primero que nada, muchas gracias por compartir su conocimiento en este video, es muy clara su explicación. Además, quería preguntarle si conoce algún libro o material para poder estudiar las redes neuronales artificiales desde cero, hasta su aplicación práctica, saber su comportamiento, cómo crearlas y modelarlas, perceptrones, etc. Muchas gracias

[@JMCASTILLO]

Hay mucha bibliografía, creo que usted quiere algo práctico que seguro va a alcanzar con su propia experiencia en el diseño de redes neuronales. Le aconsejo que comience con unos libros algo antiguo pero muy fáciles de entender. Son con los que yo comencé y si yo llegué a comprenderlos seguro que usted lo hará sin dificultad. - Hilera y Martínez. Redes Neuronales artificiales. Ed. Ra-Ma - Martín del Brío y Sanz Molina. Redes Neuronales y Sistemas borrosos. Ed. Ra-Ma

[@p.karras3764]

En el caso de identificación de imágenes, una RN que identifica manzanas en una foto ¿sólo reconoce manzanas?, ¿y si está mordida?. ¿Se puede entrenar a una RN para reconocer diferentes conceptos o cada red tiene solamente una utilidad y habría que programar tantas redes como conceptos queramos identificar?

[@JMCASTILLO]

Pues sí que le gustan... sí... de lo cual me alegro. Se le puede enseñar con fotos de manzana mordida en diferentes zonas, como manzana sin morder y la red dará como respuesta que es una manzana. Hace años dirigí un proyecto de reconocimiento de buques en el estrecho de Gibraltar, la intención era la de reconocer aquellos barcos que transportaban petróleo y que no eran de doble casco. Este tipo de buques causan grandes destrozos si naufragan. Entrenamos la red con diversos tipos de fotografía en ángulos y distancias diferentes. Conseguimos que reconociera el catálogo de los 50 buques de casco simple pasándole las imágenes del buque y reconociendo algunos parámetros como la eslora, la posición del puente, etc. Como vé lo de la manzana es más sencillo...

[@p.karras3764]

@@JMCASTILLO He trasteado con Tensorflow y leo o veo lo que queda a mi alcance sobre el tema. Me parece interesante el machine learning, me puede la curiosidad. Gracias por responder y disculpe el exceso de entusiasmo,

[@p.karras3764]

Gracias, una vez más, por la recomendación de la Toolbox. Tengo que hacerme un poco a su funcionamiento y aprovechar el software de prueba. Son fascinantes las posibilidades, para un profano se acercan a la magia como decía Arthur Clarke.

[@RicardoCavieses]

Buen día, estimo mucho la labor que ha realizado con la publicación de este video. Quisiera realizar la siguiente consulta ¿existen reglas para determinar el número de capas?. Gracias.

[@JMCASTILLO]

Gracias por su comentario y su pregunta. Hay algunos entornos de programación que incorporan herramientas para la implementación de redes neuronales como la Neural Network Toolbox de MATLAB. En este tipo de entornos se implementan algoritmos que ayudan en esta tarea. Pero no son del todo fiables ni están optimizados. Le aconsejo que siga los pasos que especifico en el apartado diseño y que comience a la hora de definir la topología con el menor número de capas (1) y neuronas (éstas están condicionadas inicialmente por el número de entradas y salidas). Continue con las fases del diseño hasta comprobar que consigue entrenar y validar la red. En caso negativo vaya aumentando el número de neuronas de la primera capa hasta un máximo del 30% de las neuronas iniciales y siga, para cada vez que añada una neurona, todas las fases del diseño. Si sigue sin alcanzar un entrenamiento y validación aceptables. Añada una nueva capa a la que originalmente comenzó con un número reducido de neuronas y continue con el ciclo de prueba-error de la fase de diseño hasta conseguir que la topología escogida cumpla con el entrenamiento y la validación. Puede parecer un proceso complicado, pero en realidad es muy simple pues consiste en seguir un método que es repetitivo. No olvide que también puede variar en el entrenamiento el algoritmo de retropropación que esté usando. Seguro que alcanzará una solución jugando con neuronas, capas y algoritmos.

[@RicardoCavieses]

Gracias por su pronta respuesta, trabajando en Matlab programe un algoritmo para que realizara ese proceso iterativo, pero ya que soy autodidacta en este tema había quedado con esa duda. ¿su instituto ofrece algún tipo de diplomado en esta ciencia? me encuentro postulando al doctorado y mi intención es la aplicación de estas herramientas a mi área de estudio. ¡Buen día!

[@JMCASTILLO]

Ricardo Cavieses Actualmente en una de las dos instituciones educativas en las que colaboro existe este programa de doctorado pero no tiene matriculación "on line". No obstante si precisa mi colaboración, existe la posibilidad de la co-dirección en materia de investigación y doctorado desde el centro universitario donde usted se matricule. Si está interesado es una posibilidad que quizás mereciera la pena explorar. Gracias por su interés-

[@nadgardez4216]

Estuvo muy bien el video :)

[@JMCASTILLO]

Me doy por satisfecho si le ha ayudado a comprender este tema.

[@p.karras3764]

Entiendo que a la red se le enseña, con un entrenamiento supervisado, cuales son las características generales de un concepto, las condiciones para permitir algo, etc . ¿Qué pasa, entonces, con las excepciones dentro de un conjunto?, es decir, ¿hay que enseñarle a la red cuáles son todas las posibles excepciones incluidas en ese conjunto o las aprende?. También tengo curiosidad por saber si, como le pasa a nuestro cerebro, las RN pueden experimentar algún tipo de "ilusión óptica". Gracias por el video, realmente interesante.

[@JMCASTILLO]

Veo que le gusta esto de las redes neuronales. No pierda la ocasión de llevarlas a la práctica con problemas reales. Le aconsejo que use la Toolbox de redes neuronales de Matlab, es muy intuitiva y fácil de utilizar. Con respecto a sus preguntas, las cuales son de un nivel avanzado, le diré lo que suelo hacer... Una máxima en investigación consiste en dividir los problemas grandes en problemas más simples, pues bien lo que hago es montar dos redes en cascada, una resuelve las excepciones y otra las generalidades. De esta forma su red trabaja de forma más eficiente en el entrenamiento y validación. Esto no quiere decir que no pueda entrenar en una misma red excepciones y generalidades, lo puede hacer; pero puede encontrarse con problemas al definir la topología de la red y tratar de entrenarla. Con respecto a la pregunta sobre la "ilusión óptica", es posible que ocurra pero para ello existe la etapa de validación en la que se utilizan datos que no han sido utilizados en la etapa de entrenamiento de la red para cerciorarnos de que no ocurran ese tipo de respuestas "no deseadas".

[@tonazowashere8790]

no me quedo muy claro el concepto de perceptor podria explicarmelo mas afondo en un comentario?

[@JMCASTILLO]

Lo primero es pedirle disculpas por no haberle contestado antes. KZbin dejó de mandarme mensajes sobre los comentarios pendientes, y me he despistado. Con respecto a su pregunta, la forma más concisa de explicárselo es decirle que ES UN CLASIFICADOR AUTOMÁTICO. Le proporcionamos una entrada y sabe decirnos cuál es la respuesta. Por ejemplo en un banco, conceder o no un crédito; en una torre de control de un aeropuerto, autorizar o no un aterrizaje de emergencia; en un scanner OCR, es una "a", "b"... Para que sea automático hay que entrenarlo y lo hacemos enseñándole un conjunto de entradas de las cuales conocemos su respuesta. Espero haber acertado ahora con la explicación.

[@chuyinmireles597]

gracias profe

[@JMCASTILLO]

Gracias a usted.

[@luisugalde6365]

Muy claro, muchas gracias

[@JMCASTILLO]

Muchas gracias Luis, por su mensaje.

[@moisesmanuelmorinhevia.8774]

Love.

[@JMCASTILLO]

Estupendo, me alegra que le guste.