Redes neuronales
Redes neuronales recurrentes (RNN)
Redes pensadas para secuencias: mantienen un estado interno que resume lo visto hasta el momento, por lo que el orden de los datos importa.
Esta página es solo explicativa: este modelo requiere bibliotecas de aprendizaje profundo y un entorno con GPU, por lo que no se ejecuta dentro del navegador.
Ecuación / idea central
hₜ = σ(W_x xₜ + W_h hₜ₋₁ + b) · ŷₜ = softmax(W_y hₜ + c)
las variantes LSTM y GRU añaden compuertas para conservar información a largo plazo
Usos / Ventajas / Desventajas
- Usos
- Series de tiempo, procesamiento de lenguaje natural, reconocimiento de voz, señales de sensores.
- Ventajas
- Modelan dependencias temporales y aceptan secuencias de longitud variable.
- Desventajas
- Entrenamiento lento y secuencial, con problemas de gradiente que se desvanece o explota.
Cómo funciona
En cada paso de tiempo la red combina la entrada actual con el estado anterior para producir un nuevo estado. Ese estado actúa como memoria. Las LSTM incorporan compuertas de olvido, entrada y salida que deciden qué información conservar.
Por qué no se ejecuta aquí
Como en las CNN, entrenar una RNN o una LSTM exige TensorFlow o PyTorch con GPU, que no están disponibles en el entorno de Python del navegador. Para prácticas reales usa Google Colab.