000154704 001__ 154704 000154704 005__ 20250513101710.0 000154704 037__ $$aTAZ-TFG-2023-2967 000154704 041__ $$aspa 000154704 1001_ $$aFraga Fatás, María Almudena 000154704 24200 $$aThe backpropagation algorithm for multilayer neural networks 000154704 24500 $$aEl algoritmo de retropropagación en redes neuronales multicapa 000154704 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2023 000154704 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/ 000154704 520__ $$aEn este trabajo de fin de grado se explora el campo de las redes neuronales artificiales y su aplicación a través del algoritmo de retropropagación. Las redes neuronales artificiales permiten simular de forma aproximada el comportamiento de las redes neuronales biológicas, estudiando así la clasificación de datos y la toma de decisiones. Éstas han revolucionado el estudio en inteligencia artificial al crear sistemas capaces de aprender y mejorar simplemente mediante la experiencia. Suponen un gran salto en el mundo de la digitalización, siendo capaces de tomar decisiones de forma similar a los seres humanos.<br />Concretamente, este trabajo se centra en el algoritmo de retropropagación en redes neuronales multicapa; se puede observar a lo largo del mismo que es una técnica efectiva a la hora de entrenar redes neuronales. Mediante la retropropagación se ajustan los pesos y sesgos, lo que permite minimizar el error y así mejorar la precisión de la red neuronal. Este trabajo está estructurado en 3 capítulos:<br />En el primero, se hace una presentación general a las redes neuronales y las distintas dinámicas de aprendizaje que existen dependiendo de diversos factores. Haciendo especial hincapié en la estructura de las redes neuronales multicapa, explicando de forma breve varios tipos de funciones de activación utilizadas en este campo.<br />El segundo se centra en el algoritmo de retropropagación, mostrando detalladamente la importancia del gradiente descendente y cómo se aplica a la hora de tratar de minimizar la función del error. Se estudian los distintos casos que existen a la hora de obtener los resultados y las derivadas en cada capa. Todos estos casos son representados mediante los llamados B-diagramas, representaciones básicas en las cuales se divide la neurona en dos, representando en la parte derecha la función de activación y en la izquierda su derivada.<br />Finalmente, se encuentra el capítulo de aplicación del algoritmo. Mediante tres archivos de código en el lenguaje de programación R, se aplica el algoritmo de retropropagación a varios conjuntos de datos, visualizando así su eficacia y precisión mediante gráficas del error a lo largo de las iteraciones. <br />En conclusión, la intención principal de este proyecto es que con su lectura cualquier persona tenga una idea general de lo que son las redes neuronales artificiales, de su estructura y funcionamiento, así como de su aplicación a distintos conjuntos de datos.<br /><br /> 000154704 521__ $$aGraduado en Matemáticas 000154704 540__ $$aDerechos regulados por licencia Creative Commons 000154704 700__ $$aAlcalá Nalvaiz, José Tomás$$edir. 000154704 7102_ $$aUniversidad de Zaragoza$$b $$c 000154704 8560_ $$f795547@unizar.es 000154704 8564_ $$s1448561$$uhttps://zaguan.unizar.es/record/154704/files/TAZ-TFG-2023-2967.pdf$$yMemoria (spa) 000154704 909CO $$ooai:zaguan.unizar.es:154704$$pdriver$$ptrabajos-fin-grado 000154704 950__ $$a 000154704 951__ $$adeposita:2025-05-13 000154704 980__ $$aTAZ$$bTFG$$cCIEN 000154704 999__ $$a20230705100719.CREATION_DATE