IPN-UPIITA

Redes Neuronales

Reporte R03

Dr. Rafael Martínez Martínez Academia de sistemas ramartinezr@ipn.mx

Instrucciones:

• Cada problema/ejercicio debe tener procedimiento ordenado y completo que justifique adecuadamente la respuesta anotada.
  

• Si falta el procedimiento o este no justifica la respuesta anotada entonces el problema vale 0 puntos aunque la respuesta sea correcta.

Problema 1 (40 puntos)

En el articulo: Multilayer feedforward networks are universal approximators. Se muestra que las redes feedforward (ya sabemos que es esto ✅) multicapa, son una clase de aproximadores universales de funciones. A grandes razgos, esto significa que una red puede aprender a comportarse como cualquier función , donde la entrada de la red serián valores del dominio de f, y la salida de la red sería una aproximación al contradomino de dichos valores (ya entrenada la red).

Entender el articulo podría llevar algo de tiempo, tanto para revisar el background requerido así como entender los argumentos de dicha prueba. En la sección Function Approximation (página 11-4) Hagan nos muestra un ejemplo de dicho fenómeno.

Cabe señalar que el ejemplo de Hagan, es muy particular y simplificado, lo cual puede ser suficente para ilustrar dicho fenómeno. Otros ejemplos más elaborados al respecto se pueden revisar en A visual proof that neural nets can compute any function elaborado por Michael Nielsel

Este problema consiste en elaborar una explicación del fenómeno mencionado, apoyado de los enlaces proporcionados (y/u otros). No es necesario incluir cuestiones técnicas del articulo, pero se espera que Hagan sea un punto de referencia y que tomes algunas ideas (gráficas, argumentos, etc.) de Nielsen y si lo consideras necesario de otras referencias (no olvides indicarlas)

Problema 2 (60 puntos)

En el R02 problema 2, se mencionó una nota sobre la construcción de entradas artificiales. Este problema apunta en esea dirección, y además se revisa el tema de codificación de variables cualitativas.

Ingresa al siguiente curso Introduction to Machine Learning¹. Revisa la información ubicada en Week 3: Features. Es necesario decir que no se vale revisar las soluciones 😄. Pero si puedes comprobar las veces que sea necesario tu resultado con la herramienta proporcionada en la plataforma 😀. No se supervisa la revisión del material indicado, pero ojalá esta se realice.

La entrega consiste en

1. Resolver Week 3 Exercises. Los resultados de tu calificación en la plataforma, deben de poderse visualizar dentro de one-note. Si el ejercicio no se autorevisa, agrega la solución al problema que corresponda.

2. Resolver Week 3 Lab. Los resultados de tu calificación en la plataforma, deben de poderse visualizar dentro de one-note. Si el ejercicio no se autorevisa, agrega la solución al problema que corresponda.

1. Resolver Week 3 Homework. Los resultados de tu calificación en la plataforma, deben de poderse visualizar dentro de one-note. Si el ejercicio no se autorevisa, agrega la solución al problema que corresponda.