Las redes neuronales han evolucionado significativamente desde el desarrollo inicial del perceptrón, y hoy en día existen varias clasificaciones que dependen de su estructura, arquitectura y las tareas para las que están diseñadas. En esta clase, exploraremos los diferentes tipos de redes neuronales, sus características y aplicaciones. Al final, los estudiantes comprenderán las principales categorías de redes neuronales y cuándo utilizar cada una según el problema a resolver.
Son las redes neuronales más simples, donde la información fluye en una única dirección, desde la capa de entrada, pasando por las capas ocultas, hasta llegar a la capa de salida. No hay conexiones entre las neuronas dentro de la misma capa ni retroalimentación hacia capas anteriores.
Características:
Aplicaciones:
Ejemplo:
Estas redes permiten que la información fluya en ciclos mediante conexiones recurrentes, lo que les da la capacidad de almacenar y procesar secuencias de datos temporales o dependientes de contexto.
Características:
Aplicaciones:
Ejemplo:
Están especialmente diseñadas para procesar datos con estructura de rejilla, como las imágenes. Las CNN utilizan capas convolucionales que aplican filtros a la entrada, permitiendo captar características locales, como bordes, texturas y formas.
Características:
Aplicaciones:
Ejemplo:
En este tipo de redes, se entrena al modelo utilizando un conjunto de datos etiquetado, donde cada entrada tiene una salida esperada. Durante el entrenamiento, la red ajusta sus pesos para reducir el error entre las predicciones y las salidas correctas.
Características:
Aplicaciones:
Ejemplo:
En las redes no supervisadas, el modelo no recibe salidas esperadas. La red aprende a partir de los patrones en los datos y los agrupa o reduce su dimensionalidad.
Características:
Aplicaciones:
Ejemplo:
Estas redes aprenden a través de un proceso de prueba y error, donde el modelo recibe recompensas o castigos en función de las acciones que realiza en un entorno. El objetivo es maximizar la recompensa acumulada.
Características:
Aplicaciones:
Ejemplo:
(Shalev-Shwartz, S., Ben-David, S., 2014)
Estas redes tienen una arquitectura sencilla, con solo una capa oculta entre la capa de entrada y la de salida.
Características:
Aplicaciones:
Ejemplo:
Se denominan redes profundas aquellas que tienen múltiples capas ocultas, lo que les permite capturar características complejas y realizar tareas sofisticadas.
Características:
Aplicaciones:
Ejemplo:
Para concluir puedo decir que las redes neuronales se utilizan de acuerdo a los diferentes tipos de problemas y datos que se tengan. Se usan desde arquitecturas simples como las redes feedforward hasta modelos más complejos como las redes convolucionales y recurrentes. Estas últimas redes ofrecen soluciones innovadoras en una amplia gama de aplicaciones. Y es en la siguiente sección donde hablaremos de esas aplicaciones.
Recursos: 0 Descargables
Duración: 0.5 Horas
Departamento de Sistemas e Informatica
sistemas@itistmo.edu.mx
“Por una tecnología propia como principio de libertad®️”