aaaa

Redes bayesianas de creencia.
Los bayes son los atributos.
Consiste en hallar la probabilidad de un atributo dado otros y la combinación de otros.
Las redes neuronales: son redes muy complejasde entender pero funcionan muy bien con datos ruidosos.
Una red neuronal tiene unidades unidas, cada unión tiene un peso, el aprendizaje consiste en ajustar los pesos para poder llegar a predecir laclase correcta de un dato de entrada.
Una red neuronal consiste de 3 capas, capa de entrada, capa oculta y capa de salida.
Cuando una red neuronal tiene 2 capas de salida se le llama red neuronal de2 capas.
Lo que componen las capas de le llama unidades.
Las unidades que pertenecen a las capas ocultas y a las capas de salida se les llama neurodes.
Antes de poder empezar el proceso deaprendizaje se debe definir la topología de la red, se debe definir el número de unidades de entrada, el número de capas ocultas y de unidades en las capas ocultas, y el número de unidades en la capa desalida.
Los datos de entrada de una red neuronal deben estar normalizados y discretizados.
Las redes neuronales se pueden ser para clasificación y para predicción numérica.
Backpropagation: estofunciona con tuplas de prueba, se usa la predicción o la clasificación con estas tuplas, de las cuales se debe saber la clase final, y se compara el resultado obtenido por la red con el real u objetivo, semodifican los pesos de los enlaces entre unidades para reducir de forma cuadrática el error, se debe realizar desde la última capa oculta hasta la primera, de esto proviene el nombre deBackpropagation. (tiene código de ejemplo)
No se entiende “bias” en las redes neuronales, pag 10.

Ejemplo de red neuronal:
Poda en una red neuronal: consiste en simplificar la estructura de la red, eliminandolos pesos de los enlaces que tiene el menor efecto en la red entrenada, puede ser eliminado si esto no afecta la calidad de la clasificación de la red.
Máquinas de vectores soporte (SVMs): método...