Redes neuronales: Introducción al perceptrón simple.

[@yaredlevi]

gracias por compartir esta información, estoy cursando fundamentos del deep learning y este video me ayudó un montón

[@johiny]

gracias amigo un video muy ameno

[@sabaspravia]

Excelente video. Felicidades. Muchas gracias

[@DalpMaths]

¡Gracias por tu comentario Savas! Aunque el video es básico, puede ser de mucha utilidad para aquellos que quieran introducirse a profundidad en el campo de las redes neuronales.

[@dianasihermosanierojas67]

Gracias por l explicación, muy detallada de inicio fin.

[@DalpMaths]

Muchas gracias Diana. Me alegro que hayas entendido. Esa es la idea 💡

[@MrBreadfan17]

Que explicación tan magistral. Muchas gracias !!!

[@DalpMaths]

Disculpa la tardanza para responder. Muchas gracias por tu comentario MrBreadfan17

[@eliasaguilar8101]

Excelente explicación por fin encontré lo q buscaba..

[@DalpMaths]

Genial Elías!!! No te vayas del canal sin ver la lista de reproducción del algoritmo de backpropagation. Puede serte de mucha utilidad.

[@Scarlet4623]

Exelente video.

[@DalpMaths]

Muchas gracias Violet 😊

[@jesusguadalupeperezflores4063]

Muchas gracias.

[@valeriavivasvillabon6370]

hola, eres el mejor

[@DalpMaths]

Gracias Valera! Te invito a que veas la lista de vídeos titulada Backpropagation de este canal en donde ahondo más en el tema de entrenamiento de redes.

[@victor_hernandez_g]

Excelente, muy ilustrado.

[@DalpMaths]

Victor, muchas gracias por tu comentario! Gracias por ver el vídeo. Espero que te haya sido de utilidad! Saludos!!

[@nandoprofesor980]

Eres un crack !!

[@eduardomartinez4801]

Excelente..¡Gracias!

[@DalpMaths]

Muchas gracias Eduardo! que bueno que te haya sido útil!

[@marlyjanethecheverryestrad9518]

muy buen vídeo, me sirvió mucho.

[@limanelart9190]

Encuentro varios de tus videos sobre el tema, pero no hallé una lista de reproducción donde verlos en orden.

[@jaimeenrique]

wow!! fenomenal! qué app usas de pizarra virtual?

[@luisernestoalvarezparedes8789]

😀

[@johanlisandro1951]

Like y buen video amigo, un saludoo

[@rosamariavaldespino5501]

¿No falta un IF z >= bi y = 1 ELSE y = 0? La neurona puede activarse o no, y no indicas éso.

[@emmanuelbancos2913]

¿Y para que sirve el umbral y el bias?

[@anibalghanem7849]

Es una constante que condiciona si el valor resultado de la sumatoria de los valores por los pesos dispara la función de activación o no. Representa un umbral de disparo de la neurona, esto quiere decir, el nivel mínimo que debe alcanzar el potecial postsináptico para que la neurona se dispare o active.

[@christianstein9507]

Todo muy lindo y claro, pero... por qué razón los pesos van ente 0 y 1? Y qué significa que el perceptron obtenga el resultado 0,9516? Debes variar los pesos para acercarse a 1?

[@DalpMaths]

Hola Christian Stein claro que si. Trataré de ser lo más claro posible. En principio, en aplicaciones computaciones, los perceptrones son conectados para formar redes neuronales. Una red neuronal tiene una capa de entrada, capas ocultas (que pueden ser 1, 2 o más) y una capa de salida. Cada capa está formada por perceptrones y como ya sabes, por este vídeo, cada perceptrón tiene una serie de entradas con pesos establecido. Idealmente esos pesos se inicializan de manera aleatoria y por lo general se toman valores entre [0,1]. Como el conjunto de los números reales es equipotente con el intervalo [0,1], todo se reduce a trabajar sobre [0,1]. Un número muy grande puede ser escalado para que sea un elemento de [0,1]. Ahora bien, la función sigmoide es una función generadora de probabilidades. Por lo tanto un valor de 0,9516 indica aproximadamente una probabilidad del 95%. Digo esto último ya que las redes neuronales se usan a menudo para problemas de clasificación y cada perceptrón en la capa de salida por lo general está dotado de una función sigmoide que arroja una probabilidad determinada de pertenecer o no a una clase. Cualquier otra duda, no dudes en comentar.

[@margalyflores6419]

buen vídeo!!!y creo que hay otros también buenos, pero me salen como privados :( sería genial que los haga públicos:)

[@DalpMaths]

Hola margaly. Saludos para ti y gracias por seguir este canal. Te cuento que ya he activado la lista de reproducción que estaba oculta. En dicha lista, titulada Backpropagation me adentro más a la parte matemática del modelo neuronal. Describo el algoritmo de entrenamiento de redes neuronales multicapa feedforward de forma detallada.

[@jeanleonardoestradaroque9857]

Que pequeño es el mundo jaja 😁

[@andresestevez2701]

en la funcion de activacion me parece que no siempre es una recta, existe otras funciones falta un ejemplo con relu el más utilizado

[@DalpMaths]

Exactamente!!! Hay varias, como la función sigmoidal, la tangente hiperbólica, etc! Coméntame si te gusto el contenido. Muchas gracias!

Hola, me gustó mucho tu video y como explicas. Muchas gracias por compartir. Una pregunta técnica: ¿con qué herramienta o conjunto de herramientas escribes que logras esa precisión de escritura? Muchas gracias y un saludo. Like

[@DalpMaths]

Utilizo la aplicación smoothdraw

@@DalpMaths muchas gracias por responder

[@mds6307]

No debes pensar nunca que el modelo de IA procede de las redes neuronales reales. Hay demasiados errores en tu descripción de la neurona, recuerda que solamente con el manejo de cientos de neurotransmisores ya es incompleto.

[@jameshopkins3541]

Y EL CODIGO PYTHON?

[@flexer7822]

Amigo pero en el ejemplo te falto calcular errores y reacomodar los pesos dependiendo el valor esperado, 6/10

[@DalpMaths]

Hola Flexer. De momento es un video introductorio. De igual forma, gracias por ver este video.

[@maldonadodani]

Los likes estaban en 420, me gustó el video pero no pienso cambiar ese numero

[@DalpMaths]

Te gustan pares entonces 🤪😂

[@maldonadodani]

@@DalpMaths Jajaj. Saludos

[@pekediablo150]

me da 1.054

[@pekediablo150]

cómo se hace en la calculadora? xD

[@Healing_Coding]

Un consejo hermano, esta bueno el video, pero sería ideal que tuvieras tu guion muy bien definido, tus muletillas sacan mucho de quicio "ehh", "ehh"

[@DalpMaths]

Hola Luis. Se que puede ser molesto a veces. Lo tendré en cuenta. Gracias por tu comentario.

[@_Leonardo_Sebastian_]

Luis, tu comentario demuestra que tenes menos capacidad de procesamiento neuronal que un perceptron simple.

[@Healing_Coding]

@@_Leonardo_Sebastian_ Gracias, trate de clasificar tu punto de vista con mi perceptron, y mi ADALINE, pero parece que ni las redes neuronales ni los intelectuales como tú comprenden cuando alguien te quiere dar solo un consejo. Un consejo para ti, se menos grosero ;). De antemano, buen video. Reitero, mucha muletilla, buena informacion c:, buenas noches.

[@luisgonzalodejesusaceves7804]

@@Healing_Coding jajaja bien dicho bro

[@conrespectodiferenciales6768]

Hola amigo, sobre el tema de la muletilla "ehh", creo que es algo natural en la comunicación. En momentos en los que necesitamos tomar un respiro antes de abordar una explicación intensa o comenzar una nueva sección, usar la muletilla "ehh" está totalmente justificado. Lo importante es utilizarla de manera oportuna. En el video que mencionaste, me pareció excelente la forma en que lo presentó, con el uso de colores y una estructura clara. Sin embargo, lo que podría mejorarse es evitar la muletilla "ehh" cuando está explicando y cuando no se requiere una pausa. En resumen, la muletilla "ehh" tiene su lugar en la comunicación, siempre y cuando se utilice con discernimiento y en el momento adecuado para mejorar la comprensión y la conexión con la audiencia.