Muchas gracias, explicó muy bien, me encantó todo. Anteriormente había visto otros materiales pero nunca había entendido nada, pero con su explicación me quedó todo muy claro. Seré un nuevo subscriptor.
Gran video me ha servido mucho, pero hay una cosa que no entiendo, y es el valor de theta inicial de 0.4, no se por que no se genera de manera aleatoria. Gracias
gracias! una pregunta; cómo sería esto mismo pero al usar una función sigmoide? cómo se implementaría?
3 года назад+1
que tal, en lugar de usar la función escalón se debe reemplazar por la función sigmoide, pero debido a que esta función es no lineal se debe usar el método de la regla delta para el entrenamiento de la neurona, en este video se muestra como aplicar la regla delta : ruclips.net/video/Q26o3NBp42w/видео.html Saludos!
Buen video. Me podrias ayudr en esto: Como puedo asignarle el accuracy a una variable, como por ejemplo,, a=accuracy or a = binary_accuracy. Este es parte del código de una red neuronal: model = Sequential() model.add(Dense(48, input_dim=48, activation='relu')) model.add(Dense(24, activation='relu')) model.add(Dense(2, activation='sigmoid')) model.compile(loss='mean_squared_error', optimizer='adam', metrics=['binary_accuracy']) model.fit(training_data, target_data, epochs=1000) scores = model.evaluate(training_data, target_data) "training_data, target_data are arrays" Result of evaluation: binary_accuracy: 0.5000 binary_accuracy: 50.00% Mostrar menos
Entonces ¿la función Z en donde se suman todos los resultados de la multiplicación de los valores de las entradas con los pesos es en realidad la función para hallar el valor de la capa oculta? y ¿porcierto cuántas neuronas tiene la capa oculta? capas
Me parece que no esta correcto, despues de corregir los pesos debes volver a operar donde usaste los anteriores pesos .
2 года назад
Hola Felipe, agradezco tu comentario, sin embargo, no estoy de acuerdo con éste. El algoritmo que se presenta en este video es: El Perceptrón Simple; el cual no involucra lo que mencionas, me parece que lo confunde con el algoritmo de la regla Delta, que es donde se lleva a cabo lo que mencionas. Saludos!
N9 hace falta que expliques las redes neurológicas naturales porque en realidad nada tiene que ver. Los neurotransmisores no son dendriyas y axones, por favor no hagas esto...explica tu Red neuronal y ya... nada tiene que ver las redes artificiales y el cerebro humano...
Usted buen señor se merece el cielo y más, me acabas de salvar y explicar sobre esta red para una materia, eres lo máximo.
¿Existe algún video actualizado al día de hoy?
Martin, excelente explicación.
Que buen video! Felicidades.
Muchas gracias, explicó muy bien, me encantó todo. Anteriormente había visto otros materiales pero nunca había entendido nada, pero con su explicación me quedó todo muy claro. Seré un nuevo subscriptor.
Tu vídeo es hermoso. Tu explicación es arte. Gracias por compartir el conocimiento
ES FEO HORRIBLE LLENO DE ANUNCIOS Y UTILIZA UN ARCHIVO DE DATOS INUSUAL.
Gracias por sus videos muy buenos
Gracias, yo empecé con tensorflow y me arrepiento no saber nada de esto, me ha costado pero tu video me salvo
Muy bien explicado. Una pregunta, siempre es necesario el factor de aprendizaje?
disculpe con umbral se refiere a bias o son conceptos diferentes?
Gran video me ha servido mucho, pero hay una cosa que no entiendo, y es el valor de theta inicial de 0.4, no se por que no se genera de manera aleatoria. Gracias
gracias! una pregunta; cómo sería esto mismo pero al usar una función sigmoide? cómo se implementaría?
que tal, en lugar de usar la función escalón se debe reemplazar por la función sigmoide, pero debido a que esta función es no lineal se debe usar el método de la regla delta para el entrenamiento de la neurona, en este video se muestra como aplicar la regla delta :
ruclips.net/video/Q26o3NBp42w/видео.html
Saludos!
Buen video. Me podrias ayudr en esto: Como puedo asignarle el accuracy a una variable, como por ejemplo,, a=accuracy or a = binary_accuracy. Este es parte del código de una red neuronal:
model = Sequential()
model.add(Dense(48, input_dim=48, activation='relu'))
model.add(Dense(24, activation='relu'))
model.add(Dense(2, activation='sigmoid'))
model.compile(loss='mean_squared_error',
optimizer='adam',
metrics=['binary_accuracy'])
model.fit(training_data, target_data, epochs=1000)
scores = model.evaluate(training_data, target_data)
"training_data, target_data are arrays"
Result of evaluation:
binary_accuracy: 0.5000
binary_accuracy: 50.00%
Mostrar menos
Entonces ¿la función Z en donde se suman todos los resultados de la multiplicación de los valores de las entradas con los pesos es en realidad la función para hallar el valor de la capa oculta? y ¿porcierto cuántas neuronas tiene la capa oculta? capas
excelente video pero de favor habla un poco mas fuerte, casi no se te entiende mano... jejeje
DEVERIAS USAR y en lugar de d para la salida.
print ("Theta =", theta())
TypeError: 'numpy.float64' object is not callable solucion escribir theta en lugar de theta()
Me parece que no esta correcto, despues de corregir los pesos debes volver a operar donde usaste los anteriores pesos .
Hola Felipe, agradezco tu comentario, sin embargo, no estoy de acuerdo con éste. El algoritmo que se presenta en este video es: El Perceptrón Simple; el cual no involucra lo que mencionas, me parece que lo confunde con el algoritmo de la regla Delta, que es donde se lleva a cabo lo que mencionas. Saludos!
eso es una red neuronal? pero si es solo una formula.
Es un perceptrón
subanle al 100 es un ASMR
hahahaha
N9 hace falta que expliques las redes neurológicas naturales porque en realidad nada tiene que ver. Los neurotransmisores no son dendriyas y axones, por favor no hagas esto...explica tu Red neuronal y ya... nada tiene que ver las redes artificiales y el cerebro humano...
No te metas en camisas de once varas y explica tu elemento informático tienes muchos errores en neurología, pero errores muy básicos.