Redes Neuronales Interactivas

Pulsa las flechas para cambiar las escenas.

La red neuronal usada en las 2 primeras escenas es la siguiente:

Usa los sliders para cambiar los pesos y los biases de las neuronas.

En todas las escenas se desarrolla una red neuronal capaz de decidir si un terreno es valido para el café teniendo en cuenta su altitud y  temperatura. Los puntos verdes son aquellos terrenos donde si es valido y los rojos los que no lo son. La zona verde es aquella que la red neuronal determina como valida para cualquier terreno que este dentro de ella, y la zona roja será invalida.

Primera escena: 

• Red neuronal de perceptrones sin función de activación.
• Dataset: El café es valido si la temperatura del terreno es mayor a 18 grados

Segunda escena:

•  Red neuronal de perceptrones con función de activación.
• Dataset; El café es valido si la temperatura es mayor a 18 y la altitud superior a 800m

El resto de escenas usan una red neuronal multicapa que sigue la siguiente estructura:

El primer set de sliders modifican los pesos y biases entre la capa de entrada y la oculta. El segundo set altera los pesos que conectan la capa oculta y la de salida.

Tercera escena

• Red neuronal multicapa
• Dataset: El cafe es valido entre  18 y 24 grados y entre 800m y 2000m

Cuarta escena

• Red neuronal multicapa con neuronas sigmoide.

Quinta escena

• Red neuronal multicapa con neuronas sigmoide 
• Visualizacion de la función de coste

Sexta escena

• Demostración del descenso de gradiente en una función de tercer grado

Séptima escena

• Red neuronal multicapa con neuronas sigmoide 
• Visualización de la función de coste
• Aprendizaje por descenso de gradiente
• Mini-batching
• El dataset se genera pseudo aleatoriamente. Debido a la sencillez de la red y el escaso numero de ejemplos existe la posibilidad de que la red llegue a un mínimo relativo sin haber clasificado correctamente todos los datos.

Octava escena

• Red neuronal multicapa con neuronas sigmoide 
• Visualización de la función de coste
• Aprendizaje por backtracking
• Mini-batching

Novena escena

• Red neuronal multicapa con neuronas sigmoide/tangentes hiperbolicas
• La red neuronal aprende a conducir por un circuito.
• Aprendizaje dinámico mediante algoritmos genéticos
• Batching de cada generación para aumentar el rendimiento de la simulación
• Gestión de la velocidad de la simulación
• La red neuronal de cada coche esta formada por 6 neuronas de entrada (5 rayos que indican la distancia a la pared más cercana hacia delante, derecha izquierda y diagonales y la magnitud de su velocidad), 5 neuronas sigmoides en una capa oculta y 2 neuronas tangenciales hiperbólicas de salida (una indicando la magnitud de la acelerecación y otra la del giro)