Regla de aprendizaje
Una red neuronal artificial ‘s regla de aprendizaje o proceso de aprendizaje es un método, la lógica matemática o algoritmo que mejora el rendimiento de la red y / o el tiempo de formación. Por lo general, esta regla se aplica repetidamente en la red. Se realiza actualizando los niveles de peso y sesgo de una red cuando una red se simula en un entorno de datos específico.
Una regla de aprendizaje puede aceptar las condiciones existentes (pesos y sesgos) de la red y comparará el resultado esperado y el resultado real de la red para proporcionar valores nuevos y mejorados para pesos y sesgos. Dependiendo de la complejidad del modelo real que se simula, la regla de aprendizaje de la red puede ser tan simple como una puerta XOR o un error cuadrático medio, o tan compleja como el resultado de un sistema de ecuaciones diferenciales.
La regla de aprendizaje es uno de los factores que decide qué tan rápido o con qué precisión se puede desarrollar la red artificial. Dependiendo del proceso para desarrollar la red, existen tres modelos principales de aprendizaje automático:
Aprendizaje sin supervisión
Aprendizaje supervisado
Aprendizaje reforzado
Tabla de contenido
Referencias
Simon Haykin (16 de julio de 1998). «Capítulo 2: Procesos de aprendizaje». Redes neuronales: una base integral (2ª ed.). Prentice Hall. pp. 50-104. ISBN 978-8178083001. Consultado el 2 de mayo de 2012.
S Russell, P Norvig (1995). «Capítulo 18: Aprendiendo de los ejemplos». Inteligencia artificial: un enfoque moderno (3ª ed.). Prentice Hall. pp. 693–859. ISBN 0-13-103805-2. Consultado el 20 de noviembre de 2013.
Fuentes
- Fuente: books.google.com
- Fuente: aima.cs.berkeley.edu