Ir al contenido
Conéctate para seguir esto  
jsbsan

Ejemplo de uso de red neuronal

Recommended Posts

Os dejo un ejemplo de uso de red neuronal. El programa esta hecho con gambas3 (la parte gráfica) y pyhton (la llamada a la libreria de  scikit-learn).

 

 

 

El programa y el codigo fuente lo podeis descargar en mi blog.

http://jsbsan.blogspot.com.es/2017/02/redes-neuronales-con-softwarelibre.html

Compartir este post


Enlace al post
Compartir en otros sitios

Krato:

 

Cita

Estaría bien que pusieras como funciona lo de la red neuronal. Para mi todo un misterio.

 

Yo lo he aprendido lo poco que sé de internet donde hay mucha información sobre redes neuronales,

https://es.wikipedia.org/wiki/Red_neuronal_artificial

http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t8neuronales.pdf

 

En mi caso particular, en mi programa, uso una libreria escrita en Python, scikit-learn (http://scikit-learn.org/stable/), que tiene ya implementada clases para trabajar con redes neuronales (http://scikit-learn.org/stable/modules/generated/sklearn.neural_network.MLPClassifier.html#sklearn.neural_network.MLPClassifier) . Esto hace muy fácil trabajar con redes neuronales (ya que te olvidas del tema teórico de como funciona) y mediante sus parámetros defines la red como quieres que sea (tipo de algoritmo que usa para activarse, capas de entrada, ocultas y de salida, medida de error, iteraciones, etc).

 

Una vez creada la red, la tienes que "entrenar" o que "aprenda", para ello la clase tiene el método .fit() para "entrenar" la red (dándole patrones y sus soluciones), por ejemplo:

Sin+t%25C3%25ADtulo4.png

 

Y luego, con la funcion .preditc(),  solo tienes que pasarle el patrón que  ha creado el usuario, para que te devuelva el valor "objetivo" que más se le parezca.

 

Nota:

Internamente, la clase "aprende", mediante un algoritmo llamado  Backpropagation http://ufldl.stanford.edu/wiki/index.php/Backpropagation_Algorithm, (https://es.wikipedia.org/wiki/Propagación_hacia_atrás ) que lo hace es ajustar unas variables llamadas pesos y bias de las "neuronas artificales", para que se ajuste el valor de la salida "correcto" con su respectivo patrón, en el proceso de aprendizaje. Para más detalles: http://galaxy.agh.edu.pl/~vlsi/AI/backp_t_en/backprop.html

 

Más o menos, es eso.

 

 

Editado por jsbsan

Compartir este post


Enlace al post
Compartir en otros sitios

Registra una cuenta o conéctate para comentar

Debes ser un miembro de la comunidad para dejar un comentario

Crear una cuenta

Regístrate en nuestra comunidad. ¡Es fácil!

Registrar una cuenta nueva

Iniciar Sesión

¿Ya tienes cuenta? Conéctate aquí.

Iniciar Sesión
Conéctate para seguir esto  

×