Redes neuronales es un nombre genérico para una gran clase de algoritmos de aprendizaje automático, que incluyen, entre otros: perceptrones, redes Hopfield, máquinas Boltzmann, redes neuronales completamente conectadas, redes neuronales convolucionales, redes neuronales recurrentes, redes neuronales de memoria a corto y largo plazo, autoencoders , redes de creencias profundas, redes de confrontación generativa y muchos más. La mayoría de ellos están entrenados con un algoritmo llamado retropropagación.
A finales de los años ochenta, a principios y mediados de los noventa, el algoritmo dominante en las redes neuronales (y el aprendizaje automático en general) era redes neuronales completamente conectadas y aún si usted dice simplemente una red neuronal, la gente podría pensar que está hablando de una red completamente conectada . Esos tipos de redes tienen una gran cantidad de parámetros, por lo que no se escalan bien. Aquí vienen las redes neuronales convolucionales que podrían considerarse esencialmente redes neuronales no completamente conectadas (cada neurona está conectada a solo unas pocas neuronas en la capa anterior) y las neuronas comparten pesos. Este tipo de redes se ha demostrado con éxito, especialmente en los campos de la visión por computadora y el procesamiento del lenguaje natural, donde rompieron todos los récords. El éxito de las redes neuronales convolucionales fue la razón principal por la cual las redes neuronales (ahora llamadas aprendizaje profundo) se han convertido en un tema tan candente en los últimos 5 años.
- ¿Cómo afectarán los avances en inteligencia artificial a la industria de los videojuegos?
- Cómo usar AI para prohibir imágenes pornográficas en mi sitio web
- ¿Cuál es la diferencia entre inteligencia artificial y algoritmos?
- ¿Cómo se relacionan los modelos gráficos probabilísticos (PGM) con el aprendizaje automático?
- ¿Qué significan las redes neuronales artificiales invariantes en el espacio (SIANN)?
