Publication: Redes neuronales: entrenamiento y comportamiento
Loading...
Official URL
Full text at PDC
Publication Date
2019
Authors
Advisors (or tutors)
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Citations
Exportar
Abstract
El propósito de este trabajo es estudiar la respuesta de una Red Neuronal según cambios en sus diferentes atributos para el mismo conjunto de datos dado. Para ello utilizaré dos ejemplos concretos, con diferentes conjuntos de datos reales y diferentes tipos de Redes Neuronales en cada uno de ellos. En el primero, utilizaré el conjunto de datos “mnist” que consiste en un conjunto de fotografías dadas en las que se ven diferentes imágenes de números escritos a mano y la Red Neuronal intentará reconocer dicho número. Las imágenes tienen una resolución de 28x28 pixeles y los números van del 0 al 9. En el segundo, utilizaré un conjunto de datos de la web filmográfica IMDB, del cual se extraerán 25000 diferentes críticas de películas etiquetadas según el sentimiento de dicha crítica. Para el buen funcionamiento de la Red Neuronal y la agilidad del estudio, he puesto el límite máximo de palabras a analizar en 500. Para este último caso, utilizare una Red Neuronal Convolucional. Otra idea que haré ver más adelante es que, aunque ciertos tipos de Redes se usan más para ciertos tipos de conjuntos de datos, cualquier Red puede ser usada para cualquier tipo de datos. Por ejemplo, las Redes Neuronales Convolucionales se usan más a menudo para imágenes y en este trabajo lo haré al contrario.
Description
UCM subjects
Unesco subjects
Keywords
Citation
Andrew Ng (2012), https://es.coursera.org/specializations/deep-learning
• Sequence model
• Neural network and Deep learning
Tensorflow, https://playground.tensorflow.org/
Keras, https://keras.io/
Canal de Youtube “DotCSV” (2017), https://www.youtube.com/channel/UCy5znSnfMsDwaLlROnZ7Qbg/featured
Páginas web consultadas:
• https://github.com/kenophobio/keras-example-notebook/blob/master/Vanilla%2BCNN%2Bon%2BMNIST%2Bdataset.ipynb
• http://www.clubdetecnologia.net/blog/2017/python-como-construir-una-red-neuronal-simple/
• http://www.clubdetecnologia.net/blog/2017/python-como-construir-una-red-neuronal-simple/
• https://towardsdatascience.com/how-to-build-your-own-neural-network-from-scratch-in-python-68998a08e4f6
• https://es.wikipedia.org/wiki/Red_neuronal_artificial
• https://towardsdatascience.com/activation-functions-neural-networks-1cbd9f8d91d6
• https://keras.io/optimizers/
• https://medium.com/@nicolas_19145/state-of-the-art-in-compressing-deep-convolutional-neural-networks-cfd8c5404f22
• https://www.nature.com/articles/s41598-018-24271-9#ref-CR14
• http://colah.github.io/posts/2015-08-Understanding-LSTMs/
• http://blog.echen.me/2017/05/30/exploring-lstms/
• http://colah.github.io/posts/2014-07-Conv-Nets-Modular/
• http://www.diegocalvo.es/red-neuronal-convolucional-cnn/
• https://inteligenciartificiallmca.wordpress.com/2017/06/10/1-3-estado-del-arte/
• https://medium.com/@nicolas_19145/state-of-the-art-in-compressing-deep-convolutional-neural-networks-cfd8c5404f22
• http://ikuz.eu/2016/01/20/deep-learning-theory-history-state-of-the-art-practical-tools/
• https://en.wikipedia.org/wiki/List_of_datasets_for_machine_learning_research
• https://visualgenome.org/api/v0/api_home.html
• http://yann.lecun.com/exdb/mnist/
• http://help.sentiment140.com/for-students
• https://archive.ics.uci.edu/ml/datasets/sms+spam+collection
• http://archive.ics.uci.edu/ml/datasets/Car+Evaluation
•http://archive.ics.uci.edu/ml/datasets/Drug+Review+Dataset+%28Drugs.com%29
• https://machinelearningmastery.com/predict-sentiment-movie-reviews-using-deep-learning/
• https://machinelearningmastery.com/lstms-with-python/
• https://www.deeplearningbook.org/
• http://colah.github.io/posts/2015-08-Understanding-LSTMs/
• https://www.quora.com/What-are-hyperparameters-in-machine-learning
• http://colah.github.io/posts/2014-03-NN-Manifolds-Topology/
• https://www.tensorflow.org/api_docs/python/tf/nn