Estructura de redes neuronales (MLP) y su aplicación como aproximador universal

El presente trabajo está orientado al estudio del sustento teórico de las redes neuronales artificiales (MPL - Multilayer Perceptrón), frente a su capacidad de clasificación. Para este propósito se definen formalmente los conceptos que permiten la comprensión matemática de las mismas, además de la implementación de dichas nociones en la elaboración de un código que muestra, a través de ejemplos particulares, la capacidad de clasificación de las redes neuronales con base a la teoría aquí desarrollada. Adicionalmente se evidencia la capacidad de las redes neuronales para aproximar funciones, a través de un ejemplo aplicado al código desarrollado, este resultado es posible gracias al Teorema de Aproximación Universal de Funciones.

• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2022
• Institución: Universidad Distrital Francisco José de Caldas
• Repositorio: RIUD: repositorio U. Distrital
• Idioma: spa
• OAI Identifier: oai:repository.udistrital.edu.co:11349/30489
• Acceso en línea: http://hdl.handle.net/11349/30489
• Palabra clave: Red neuronal artificial; Perceptrón simple; Teorema de Convergencia del Perceptrón; Descenso del gradiente; Algoritmo; Perceptrón multicapa; Teorema de Aproximación Universal; Aproximación de funciones continuas; Matemáticas - Tesis y Disertaciones Académicas; Redes neurales (Informática) - Enseñanza.; Redes de neuronas artificiales - Uso.; Neural network; Simple perceptron; Perceptron Convergence Theorem; Gradient descent; Algorithm; multilayer perceptron; Universal Approximation Theorem; Approximation of continuous functions
• License: Attribution-NonCommercial-NoDerivatives 4.0 Internacional