Menéame: comentarios [3340383]

#6 Las matemáticas del Machine Learning: el mecanismo de Backprogation

--631564-- — Thu, 02 Jul 2020 04:16:35 +0000

#5 no he usado en ningun momento la linealidad, vale para el caso general.

» autor: --631564--

#5 Las matemáticas del Machine Learning: el mecanismo de Backprogation

Robus — Wed, 01 Jul 2020 20:21:16 +0000

#1 ¿no te dejas la función de activación no lineal entre layers?

Es que sin ella se podría colapsar toda la multiplicación a una sola matriz... y justamente eso rompería la funcionalidad.

» autor: Robus

#4 Las matemáticas del Machine Learning: el mecanismo de Backprogation

Suigetsu — Wed, 01 Jul 2020 19:16:51 +0000

#3 Pues para mí sí que son bastante distintos. Taylor te sirve para encontrar una apróximación de una función.
El descenso de gradiente para encontrar máximos y mínimos y de una función dada.

» autor: Suigetsu

#3 Las matemáticas del Machine Learning: el mecanismo de Backprogation

--631564-- — Wed, 01 Jul 2020 14:59:10 +0000

#2 ¿ y en qué se diferencian esas dos cosas ? Ya te digo yo, en nada. En el nombre, poco más.

» autor: --631564--

#2 Las matemáticas del Machine Learning: el mecanismo de Backprogation

Suigetsu — Wed, 01 Jul 2020 13:48:13 +0000

#1 El bsckpropagation que tu dices no es aplicar un Taylor si no un descenso del gradiente para optimizar la Red neuronal.

» autor: Suigetsu

#1 Las matemáticas del Machine Learning: el mecanismo de Backprogation

--631564-- — Wed, 01 Jul 2020 10:21:53 +0000

Estos artículos lo complican mucho. En realidad la red neuronal es una multiplicación de matrices o una función vectorial en cada capa, llamémosla f

Y entonces, calcular la retropropagación es simplemente aplicar la conocida fórmula de Taylor
f(x) =f(xo) + f'(xo) *t +g(xo) *t²

Se supone a las bravas que para los valores usados el sumando de g es pequeño y se toma un t menor que x-xo con la idea de hacer un proceso iterativo.

» autor: --631564--