Entradas populares de este blog

Método del Gradiente.

Imagen
La mayoría de los algoritmos de aprendizaje profundo implican la optimización de algún tipo. La optimización se refiere a la tarea de minimizar o maximizar alguna función f (x) alterando x. Usualmente formulamos la mayoría de los problemas de optimización en términos de minimizar f (x). La maximización se puede lograr mediante un algoritmo de minimización minimizando -f (x). La derivada es útil para minimizar una función porque nos dice cómo cambiar x para hacer una pequeña mejora en y. Por ejemplo, nosotros sabemos que f (x - ε sign(f ‘ (x))) es menor que f (x) para un ε suficientemente pequeño. Podemos por lo tanto reducir f (x) moviendo x en pequeños pasos con el signo opuesto de la derivada. Esta es la técnica llamada gradiente descendente. (Cauchy, 1847). Cuando f '(x) = 0, la derivada no proporciona información sobre en qué dirección moverse. Los puntos donde f '(x) = 0 se conocen como puntos críticos o puntos estacionarios. Un mínimo local es un punto...
Leer más

Fundamentos de Git

Imagen
Git es un sistema de control de versiones distribuído (scvd) escrito en C. El control de versiones es un sistema que registra los cambios realizados sobre un archivo o conjunto de archivos a lo largo del tiempo, de modo que puedas recuperar versiones específicas más adelante. Podés, por ejemplo, cambiar la colección de archivos a un estado de 2 días atras, o podés cambiar entre los estados para caracteristicas experimentales y problemas de producción. Git mantiene todas las versiones. Por lo tanto podés revertir a cualquier punto en la historia de tu código fuente usando Git. Git realiza los commits a tu repositorio local y es posible sincronizar ese repositorio con otros (tal vez remotos) repositorios. Git te permite clonar los repositoriso, por ejemplo, crear una copia exacta de un repositorio incluyendo la historia completa del código fuente. Los dueños de los repositorios pueden sincronizar los cambios via push (transfiere los cambios al repositorio...
Leer más

Undeflow y Overfolw

Los algoritmos de aprendizaje automático generalmente requieren una gran cantidad de cálculos numéricos. Esto se refiere a algoritmos que resuelven problemas matemáticos mediante métodos que actualizan las estimaciones de la solución a través de un proceso iterativo, en lugar de derivar analíticamente una fórmula que proporciona una expresión simbólica para la solución correcta. Tengamos en cuenta que incluso la simple evaluación de una función matemática en una computadora digital puede ser difícil cuando la función tiene números reales, ya que estos no pueden ser representados con precisión utilizando una cantidad finita de memoria. La dificultad fundamental para realizar operaciones matemáticas en una computadora digital es que necesitamos representar números reales de infinitas cifras decimales (irracionales) con un número finito de bits. Así, para casi todos los números se comete algún error de aproximación cuando se representa  representamos en la computadora. El pro...
Leer más