Nota: (Cuando hago referencia en estos apuntes a (Reglas de Aprendizaje Neuronal Network), englobo los siguientes temas que sabemos que están hay pero no se profundiza en ellos o se hace de tal forma ?digamos que no hay forma de como cogerlo¿ lo haré con cierta profundidad (basica) para poder entendelos) .
Reglas-Aprendizaje-Red-Neuronal
-. La Neuronas procesan la entrada recibida para dar la salida deseada, los nodos o neuronas están vinculados por las entradas, los pesos de conexión y funciones de activación. característica de una Red-Neuronal es su capacidad para aprender, se entrenan con ejemplos conocidos. Una vez que la Red se entrena, se puede utilizar para resolver los valores desconocidos del problema.
Nota: el los siguientes post tratare lo que llamo Reglas de Aprendizaje son los procesos necesarios para conseguir que las Red-Neuronal nos de los resultados esperados.
Enumeremos los mas importantes:
- Función de Activación de un nodo define la salida de un nodo dada una entrada o un conjunto de entradas
- Función de pérdida es una función que relaciona un evento con un número real que representa el coste asociado con el evento.
- Propagación hacia atrás de errores o Retropropagación (backpropagation) es un método de cálculo del gradiente utilizado en algoritmos de aprendizaje supervisado utilizados para entrenar redes neuronales artificiales.
- Error cuadrático medio (ECM) de un estimador mide el promedio de los errores al cuadrado, la diferencia entre el estimador y lo que se estima. El ECM es una función de riesgo, correspondiente al valor esperado de la pérdida del error al cuadrado o pérdida cuadrática.
- Descenso de gradiente (también llamado descenso más pronunciado ) es un algoritmo de optimización iterativo de primer orden para encontrar un mínimo local de una función diferenciable .
- Problema de desvanecimiento de gradiente es una dificultad encontrada para entrenar redes neuronales artificiales mediante métodos de aprendizaje basados en descenso estocástico de gradientes y de retropropagación. En tales métodos, cada uno de los pesos de la red neuronal recibe una actualización proporcional a la derivada parcial de la función de error con respecto al peso actual en cada iteración de entrenamiento.
Recapitulando:
La regla de aprendizaje es el factor que decide qué tan rápido o con qué precisión se puede desarrollar la red artificial, el proceso de aprendizaje es un método, esta regla se aplica repetidamente a través de la Red-Neuronal. Algoritmo que mejora el rendimiento de la Red-Neuronal, Se actualizan los Pesos y los niveles de sesgo cuando se genera una red en un entorno de datos por ejemplo Python. Dependiendo de la complejidad del modelo tendremos que aplicar las Regla de aprendizaje que necesitemos como un error cuadrático medio , o tan compleja como el resultado de un sistema de ecuaciones diferenciales .
- Referencias: Entorno-Moreluz