🌸 4.2.2 CLASIFICACIÓN.

 

  Fundamento teórico

Las redes neuronales pueden clasificarse según su arquitectura, forma de aprendizaje y propósito.

Según arquitectura

Redes feedforward
La información fluye en una sola dirección.

Redes recurrentes (RNN)
La información puede retroalimentarse.

Redes convolucionales (CNN)
Especializadas en imágenes.

Según aprendizaje

Supervisadas
Aprenden con ejemplos etiquetados.

No supervisadas
Detectan patrones sin etiquetas.

Por refuerzo
Aprenden mediante recompensas.

Según complejidad

• Simples
• Profundas (Deep Learning)

Esta clasificación permite elegir la red adecuada según el problema.

 Características principales

• 📌 Diferentes arquitecturas
• 📌 Distintos métodos de aprendizaje
• 📌 Especialización por tarea

 Importancia

Permite seleccionar el modelo más eficiente para cada aplicación.

 Ventajas

• Organización estructurada
• Facilita diseño
• Optimización

 Limitaciones

• Algunas redes son complejas
• Requieren recursos elevados

 Aplicaciones

• Procesamiento de imágenes
• Texto
• Audio
• Predicción

Video explicativo:

Practica:

Actividad: Clasificación

Clasifica 8 ejemplos de redes neuronales según su tipo.

📄 Ver práctica en PDF

 Evaluación:

1. ¿Qué es una CNN?
2. ¿Qué hace una RNN?
3. ¿Qué diferencia hay entre supervisada y no supervisada?
4. ¿Qué es deep learning?
5. ¿Por qué se clasifican?

Conclusión:

La clasificación de redes neuronales permite entender la diversidad de enfoques existentes dentro del aprendizaje automático.

Cada tipo de red está diseñado para resolver problemas específicos, optimizando precisión y eficiencia.

Conocer estas categorías facilita el desarrollo de soluciones inteligentes adaptadas a diferentes necesidades.

Referencias APA 7

• Goodfellow, I., Bengio, Y., & Courville, A. (2016).
• Haykin, S. (2009).