UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN
FACULTAD DE INGENIERÍA MECÁNICA Y ELÉCTRICA
Percepción
Docente: SUSANA VIRIDIANA GUTIERREZ MARTINEZ
ACTIVIDAD 3
Nombre: Javier Alexis Martínez Grimaldo Matricula: 1919431
NO ESCOLARIZADA
Plan: 401
Índice
Índice ....................................................................................................... 2
introducción ............................................................................................. 3
Desarrollo ................................................................................................ 4
Conclusión .............................................................................................. 10
Bibliografía ............................................................................................ 12
Anexos .................................................................................................. 13
INTRODUCCION
En base a los artículos que investigamos para fortalecer el tema
hicimos una investigacion a profundidad de redes neuroinales y
todo sobre ellas ya que es algo que tenemos que saber de la
materia de percepcion y que nos ayudara mucho a entender
muchas cosas sobre en la aplicación de la industria y que nos va a
ayudar mucho a un futuro ya que esto es el futuro del mundo.
DESARROLLO
Las redes neuronales artificiales (RNA) abarca varios aspectos
importantes:
1. **Definición de una RNA:** Una RNA es un modelo de
aprendizaje automático inspirado en la estructura y el
funcionamiento del cerebro humano. Está compuesta por capas
de neuronas artificiales interconectadas que procesan información
y pueden aprender patrones a partir de datos.
2. **Aprendizaje Supervisado y No Supervisado:** En el contexto
de las RNA, el aprendizaje supervisado implica entrenar la red
utilizando un conjunto de datos etiquetado, donde se conoce la
respuesta deseada para cada entrada. En el aprendizaje no
supervisado, la red intenta encontrar patrones o estructuras
ocultas en los datos sin etiquetas.
3. **Tipos de Redes Neuronales:** Existen varios tipos de RNA,
cada una con su propia arquitectura y aplicaciones específicas.
Algunos ejemplos incluyen:
- Perceptrón: La unidad básica de procesamiento en una RNA.
- Redes Feedforward: Se utilizan en tareas de clasificación y
regresión.
- Redes Recurrentes: Adecuadas para tareas que involucran
secuencias, como el procesamiento de lenguaje natural.
- Redes Convolucionales: Especializadas en el procesamiento
de imágenes.
4. **Aplicaciones de las RNA:** Las RNA se utilizan en una amplia
variedad de aplicaciones, que van desde el reconocimiento de voz
y la visión por computadora hasta el procesamiento de texto y la
recomendación de contenido en línea. También se aplican en la
industria para el control de procesos y la optimización.
5. **Desafíos y Avances:** El marco contextual también puede
abordar los desafíos en el entrenamiento de RNA, como el
sobreajuste y la necesidad de grandes conjuntos de datos.
Además, es importante destacar los avances recientes en el
campo, como el uso de técnicas de aprendizaje profundo que han
mejorado significativamente el rendimiento de las RNA en diversas
tareas.
CONCLUSIONES
En conclusion hicimos una investigacion a profundidad de redes
neuroinales y todo sobre ellas ya que es algo que tenemos que
saber de la materia de percepcion y que nos ayudara mucho a
entender muchas cosas sobre en la aplicación de la industria y
que nos va a ayudar mucho a un futuro ya que esto es el futuro del
mundo.
CONCLUSIONES personal
Muy buena practica de acuerdo a todo lo que que vimos en esta
investigación de los 10 documentos científicos que proviene de
una investigación que hicimos de acuerdo a lo que necesitamos.
BIBLIOGRAFÍA
Mercado Polo, D., Pedraza Caballero, L., & Martínez Gómez, E. (2015).
Comparación de Redes Neuronales aplicadas a la predicción de
Series de Tiempo. PROSPECTIVA, 13 (2),88-95.[fecha de Consulta 24
de Septiembre de 2023]. ISSN: 1692-8261. Recuperado de:
[Link]
Larcher, L. y Costaguta, R. (2004). Una retropropagación neuronal roja
aplicada a la microhistología. Inteligencia Artificial. Revista
Iberoamericana de Inteligencia Artificial, 8 (23),0.[fecha de Consulta
24 de Septiembre de 2023]. ISSN: 1137-3601. Recuperado de:
[Link]
Llosas Albuerne, Y., Pardo Gómez, J., & Mulet Hing, M. (2006).
CONFIGURACIONES DE CONTROL CON REDES NEURONALES EN
UN HORNO DE PRECALENTAMIENTO DE PETRÓLEO. Tecnología
Química, XXVI (1),33-39.[fecha de Consulta 24 de Septiembre de 2023].
ISSN: 0041-8420. Recuperado de:
[Link]
Del Carpio Gallegos, J., (2005). Las redes neuronales artificiales en
las finanzas. Datos Industriales, 8 (2),0.[fecha de Consulta 24 de
Septiembre de 2023]. ISSN: 1560-9146. Recuperado de:
[Link]
Gaona Barrera, A. E., (2007). Validación del uso de aritmética
distribuida en la implementación de redes neuronales. Scientia Et
Technica, XIII(34),67-72.[fecha de Consulta 24 de Septiembre de 2023].
ISSN: 0122-1701. Recuperado de:
[Link]
Milone, DH, (2005). Reconocimiento automático del habla con redes
neuronales artificiales. Ciencia, Docencia y Tecnología, XVI (31),261-
322.[fecha de Consulta 24 de Septiembre de 2023]. ISSN: 0327-5566.
Recuperado de: [Link]
Gómez, E., Poznyak, AS y Lozano, R. (2000). Control adaptable
utilizando Redes Neuronales Artificiales Polinomiales. Revista del
Centro de Investigación. Universidad La Salle, 4 (15),17-37.[fecha de
Consulta 24 de Septiembre de 2023]. ISSN: 1405-6690. Recuperado
de: [Link]
Gómez, E., Poznyak, AS y Lozano, R. (2000). Control adaptable
utilizando Redes Neuronales Artificiales Polinomiales. Revista del
Centro de Investigación. Universidad La Salle, 4 (15),17-37.[fecha de
Consulta 24 de Septiembre de 2023]. ISSN: 1405-6690. Recuperado
de: [Link]
Hernández Millán, G. A., Ríos González, L. H., & Parra Lara, H.
(2012). Implementación de un Controlador PID Mediante RNA para
el Control de Motores D.C de Robots Moviles Diferenciales. Scientia
Et Technica, 2(50), 8–14. [Link]
ANEXOS
