REDES NEURONALES Y SU APLICACIÓN EN LA CLASIFICACIÓN DE PATRONES
NEURONAL NETWORKS AND THEIR APPLICATION IN THE CLASSIFICATION OF PATTERNS
DOI:
https://doi.org/10.15446/rev.fac.cienc.v11n1.99173Palabras clave:
Redes neuronales; gradiente descendente; algoritmo de backpropagation; reconocimiento de dígitos; reconocimiento de caras. (es)Neural network; gradient descent, backpropagation algorithm; digit recognition; faces recognition. (en)
Descargas
En este trabajo se muestran aplicaciones de redes neuronales para clasificar patrones. Se explicará la estructura de una red neuronal artificial, el gradiente descendente y el algoritmo de backpropagation. Se exhibirá cómo se ajustan redes neuronales a datos encontrados en la literatura, haciendo uso de la función sigmoide logístico y la función sigmoide arcotangente, considerando capas ocultas y variando el número de neuronas ocultas; además se muestran tablas de confusión para comparar la clasificación de las redes neuronales.
In this work it is shown applications of neural networks for classifying patterns. It will be explain the structure of a neural network, gradient descent and backpropagation algorithm. It will be exhibited how neural networks are adjusted to real data found in the literature, taking into account the logistic sigmoid function and the arctangent sigmoid function, considering hidden layers and varying the number of hidden neurons; furthermore, confusion tables are shown to compare the classification of neural networks.
Referencias
Alpaydin, E. (2014). Introduction to Machine Learning. Adaptive Computation and Machine Learning series. MIT Press. London, England.
Bishop, C. (2006). Pattern Recognition and Machine Learning. Information Science and Statistics. Springer-Verlag New York.
Devroye, L., Györfi, L. & Lugosi G. (2013), A Probabilistic Theory of Pattern Recognition. Stochastic Modelling and Applied Probability. Springer New York.
García Molina, J., Herrero, J., de Jesús, A., López, J., Guisado, M.A., Bustamante, Á. & Padilla, W. (2018), Ciencia de datos: técnicas analíticas y aprendizaje estadístico. Alfaomega Colombiana: Publicaciones Altaria.
Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer series in statistics. Springer-Verlag New York. DOI: https://doi.org/10.1007/978-0-387-84858-7
Izenman, A. (2013). Modern Multivariate Statistical Techniques: Regression, Classification, and Manifold Learning. Springer Texts in Statistics. Springer New York.
Mitchell, T. (1997). Machine Learning. McGraw-Hill international editions - computer science series. McGrawHill Education. New York.
Pashine D. R. & Kushwah R. (2020). Handwritten digit recognition using machine and deep learning algorithms. International Journal of Computer Applications, 176(42), 27-33. DOI: https://doi.org/10.5120/ijca2020920550
Ripley, B. & Venable, W. (2021). Package nnet. [En línea]. Manual de Rstudio [Consultada en octubre de 2021]. Disponible en: https://cran.r-project.org/web/packages/nnet/nnet.pdf
Rodríguez Flores, M. A. (2010). Desarrollo de un sistema basado en un clasificador neuronal para reconocimientos de orugas. [En línea]. Universidad Nacional Autónoma de México. Repositorio Institucional de la UNAM [Consultada en octubre de 2021]. Disponible en: http://132.248.9.195/ptd2010/abril/0656324/0656324$_$A1.pdf
Rosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386-408. DOI: https://doi.org/10.1037/h0042519
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
Derechos de autor 2022 Revista de la Facultad de Ciencias
![Creative Commons License](http://i.creativecommons.org/l/by-nc-nd/4.0/88x31.png)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores o titulares del derecho de autor de cada artículo confieren a la Revista de la Facultad de Ciencias de la Universidad Nacional de Colombia una autorización no exclusiva, limitada y gratuita sobre el artículo que una vez evaluado y aprobado se envía para su posterior publicación ajustándose a las siguientes características:
1. Se remite la versión corregida de acuerdo con las sugerencias de los evaluadores y se aclara que el artículo mencionado se trata de un documento inédito sobre el que se tienen los derechos que se autorizan y se asume total responsabilidad por el contenido de su obra ante la Revista de la Facultad de Ciencias, la Universidad Nacional de Colombia y ante terceros.
2. La autorización conferida a la revista estará vigente a partir de la fecha en que se incluye en el volumen y número respectivo de la Revista de la Facultad de Ciencias en el Sistema Open Journal Systems y en la página principal de la revista (https://revistas.unal.edu.co/index.php/rfc/index), así como en las diferentes bases e índices de datos en que se encuentra indexada la publicación.
3. Los autores autorizan a la Revista de la Facultad de Ciencias de la Universidad Nacional de Colombia para publicar el documento en el formato en que sea requerido (impreso, digital, electrónico o cualquier otro conocido o por conocer) y autorizan a la Revista de la Facultad de Ciencias para incluir la obra en los índices y buscadores que estimen necesarios para promover su difusión.
4. Los autores aceptan que la autorización se hace a título gratuito, por lo tanto renuncian a recibir emolumento alguno por la publicación, distribución, comunicación pública y cualquier otro uso que se haga en los términos de la presente autorización.
5. Todos los contenidos de la Revista de la Facultad de Ciencias, están publicados bajo la Licencia Creative Commons Atribución – No comercial – Sin Derivar 4.0.
MODELO DE CARTA DE PRESENTACIÓN y CESIÓN DE DERECHOS DE AUTOR