Aprendizaje Supervisado con Redes Neuronales

Study Notes

Supervised learning is a type of machine learning where the model is trained on labeled data to learn the relationship between input and output variables.
Neural networks are a type of machine learning model inspired by the structure and function of the human brain.

A neural network consists of layers of interconnected nodes (neurons) that process and transmit information.
Each neuron receives one or more inputs, performs a computation on those inputs, and then sends the output to other neurons.
The network is trained by adjusting the weights and biases of the connections between neurons to minimize the error between predicted and actual output.

In supervised learning, the neural network is trained on a labeled dataset, where each example is accompanied by a target or response variable.
The goal is to learn a mapping between input and output variables, so the network can make predictions on new, unseen data.
The network is trained using an optimization algorithm, such as stochastic gradient descent (SGD), to minimize the loss function.

Feedforward Networks: The data flows only in one direction, from input layer to output layer, without forming cycles.
Convolutional Neural Networks (CNNs): Designed for image and signal processing, using convolutional and pooling layers to extract features.
Recurrent Neural Networks (RNNs): Use feedback connections to process sequential data, such as speech, text, or time series.

Advantages:
- Can learn complex patterns and relationships in data.
- Can be used for both classification and regression tasks.
Challenges:
- Require large amounts of labeled training data.
- Can be computationally expensive to train.
- May suffer from overfitting or underfitting if not regularized properly.

Aprendizaje supervisado es un tipo de aprendizaje automático donde el modelo se entrena con datos etiquetados para aprender la relación entre variables de entrada y salida.
Las redes neuronales son un tipo de modelo de aprendizaje automático inspirado en la estructura y función del cerebro humano.

Una red neuronal consiste en capas de nodos (neuronas) interconectadas que procesan y transmiten información.
Cada neurona recibe una o varias entradas, realiza una computación sobre esas entradas y envía la salida a otras neuronas.
La red se entrena ajustando los pesos y bias de las conexiones entre neuronas para minimizar el error entre la salida predicha y la salida real.

En aprendizaje supervisado, la red neuronal se entrena en un conjunto de datos etiquetados, donde cada ejemplo se acompaña de una variable de respuesta o objetivo.
El objetivo es aprender un mapeo entre variables de entrada y salida, para que la red pueda hacer predicciones en nuevos datos no vistos.
La red se entrena utilizando un algoritmo de optimización, como el descenso de gradiente estocástico (SGD), para minimizar la función de pérdida.

Redes de Adelante: El flujo de datos solo va en una dirección, desde la capa de entrada hasta la capa de salida, sin formar ciclos.
Redes Neuronales Convolucionales (CNNs): Diseñadas para el procesamiento de imágenes y señales, utilizando capas convolucionales y de pooling para.extractar características.
Redes Neuronales Recurrentes (RNNs): Utilizan conexiones de retroalimentación para procesar datos secuenciales, como voz, texto o series temporales.

Ventajas:
- Pueden aprender patrones complejos y relaciones en datos.
- Pueden ser utilizadas para tareas de clasificación y regresión.
Desafíos:
- Requieren grandes cantidades de datos de entrenamiento etiquetados.
- Pueden ser computacionalmente caras de entrenar.
- Pueden sufrir de sobreajuste o subajuste si no se regularizan adecuadamente.