Optimización de Scaled Conjugate Gradient para Froog Neural Networks
- Autores
- Roodschild, Matías; Gotay Sardiñas, Jorge; Will, Adrián E.; Rodríguez, Sebastián A.
- Año de publicación
- 2019
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- El Scaled Conjugate Gradient es un algoritmo de aprendizaje iterativo para redes neuronales artificiales, destacándose por su velocidad de convergencia frente al Backpropagation. Esto se debe a que utiliza derivadas de segundo orden, lo que permite una convergencia más veloz. En este artículo, se demuestra lo expuesto por Möller en su trabajo original, respecto a que una adecuada implementación del Scaled Conjugate Gradient puede reducir en un 50% el tiempo de ejecución. La implementación fue realizada en la herramienta gratuita "Froog Neural Networks" de redes neuronales y probada en 4 base de datos estándar, con diferentes cantidades de neuronas para probar la efectividad de los cambios realizados.
Sociedad Argentina de Informática e Investigación Operativa - Materia
-
Ciencias Informáticas
Scaled Conjugate Gradient
Froog Neural Networks - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/3.0/
- Repositorio
.jpg)
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/87937
Ver los metadatos del registro completo
| id |
SEDICI_037cff47bc7fe4d34fadad8518c413ec |
|---|---|
| oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/87937 |
| network_acronym_str |
SEDICI |
| repository_id_str |
1329 |
| network_name_str |
SEDICI (UNLP) |
| spelling |
Optimización de Scaled Conjugate Gradient para Froog Neural NetworksRoodschild, MatíasGotay Sardiñas, JorgeWill, Adrián E.Rodríguez, Sebastián A.Ciencias InformáticasScaled Conjugate GradientFroog Neural NetworksEl Scaled Conjugate Gradient es un algoritmo de aprendizaje iterativo para redes neuronales artificiales, destacándose por su velocidad de convergencia frente al Backpropagation. Esto se debe a que utiliza derivadas de segundo orden, lo que permite una convergencia más veloz. En este artículo, se demuestra lo expuesto por Möller en su trabajo original, respecto a que una adecuada implementación del Scaled Conjugate Gradient puede reducir en un 50% el tiempo de ejecución. La implementación fue realizada en la herramienta gratuita "Froog Neural Networks" de redes neuronales y probada en 4 base de datos estándar, con diferentes cantidades de neuronas para probar la efectividad de los cambios realizados.Sociedad Argentina de Informática e Investigación Operativa2019-09info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf116-122http://sedici.unlp.edu.ar/handle/10915/87937spainfo:eu-repo/semantics/altIdentifier/issn/2451-7585info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/3.0/Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-05-27T11:11:44Zoai:sedici.unlp.edu.ar:10915/87937Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-05-27 11:11:44.741SEDICI (UNLP) - Universidad Nacional de La Platafalse |
| dc.title.none.fl_str_mv |
Optimización de Scaled Conjugate Gradient para Froog Neural Networks |
| title |
Optimización de Scaled Conjugate Gradient para Froog Neural Networks |
| spellingShingle |
Optimización de Scaled Conjugate Gradient para Froog Neural Networks Roodschild, Matías Ciencias Informáticas Scaled Conjugate Gradient Froog Neural Networks |
| title_short |
Optimización de Scaled Conjugate Gradient para Froog Neural Networks |
| title_full |
Optimización de Scaled Conjugate Gradient para Froog Neural Networks |
| title_fullStr |
Optimización de Scaled Conjugate Gradient para Froog Neural Networks |
| title_full_unstemmed |
Optimización de Scaled Conjugate Gradient para Froog Neural Networks |
| title_sort |
Optimización de Scaled Conjugate Gradient para Froog Neural Networks |
| dc.creator.none.fl_str_mv |
Roodschild, Matías Gotay Sardiñas, Jorge Will, Adrián E. Rodríguez, Sebastián A. |
| author |
Roodschild, Matías |
| author_facet |
Roodschild, Matías Gotay Sardiñas, Jorge Will, Adrián E. Rodríguez, Sebastián A. |
| author_role |
author |
| author2 |
Gotay Sardiñas, Jorge Will, Adrián E. Rodríguez, Sebastián A. |
| author2_role |
author author author |
| dc.subject.none.fl_str_mv |
Ciencias Informáticas Scaled Conjugate Gradient Froog Neural Networks |
| topic |
Ciencias Informáticas Scaled Conjugate Gradient Froog Neural Networks |
| dc.description.none.fl_txt_mv |
El Scaled Conjugate Gradient es un algoritmo de aprendizaje iterativo para redes neuronales artificiales, destacándose por su velocidad de convergencia frente al Backpropagation. Esto se debe a que utiliza derivadas de segundo orden, lo que permite una convergencia más veloz. En este artículo, se demuestra lo expuesto por Möller en su trabajo original, respecto a que una adecuada implementación del Scaled Conjugate Gradient puede reducir en un 50% el tiempo de ejecución. La implementación fue realizada en la herramienta gratuita "Froog Neural Networks" de redes neuronales y probada en 4 base de datos estándar, con diferentes cantidades de neuronas para probar la efectividad de los cambios realizados. Sociedad Argentina de Informática e Investigación Operativa |
| description |
El Scaled Conjugate Gradient es un algoritmo de aprendizaje iterativo para redes neuronales artificiales, destacándose por su velocidad de convergencia frente al Backpropagation. Esto se debe a que utiliza derivadas de segundo orden, lo que permite una convergencia más veloz. En este artículo, se demuestra lo expuesto por Möller en su trabajo original, respecto a que una adecuada implementación del Scaled Conjugate Gradient puede reducir en un 50% el tiempo de ejecución. La implementación fue realizada en la herramienta gratuita "Froog Neural Networks" de redes neuronales y probada en 4 base de datos estándar, con diferentes cantidades de neuronas para probar la efectividad de los cambios realizados. |
| publishDate |
2019 |
| dc.date.none.fl_str_mv |
2019-09 |
| dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
| format |
conferenceObject |
| status_str |
publishedVersion |
| dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/87937 |
| url |
http://sedici.unlp.edu.ar/handle/10915/87937 |
| dc.language.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/issn/2451-7585 |
| dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/3.0/ Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0) |
| eu_rights_str_mv |
openAccess |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/3.0/ Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0) |
| dc.format.none.fl_str_mv |
application/pdf 116-122 |
| dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
| reponame_str |
SEDICI (UNLP) |
| collection |
SEDICI (UNLP) |
| instname_str |
Universidad Nacional de La Plata |
| instacron_str |
UNLP |
| institution |
UNLP |
| repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
| repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
| _version_ |
1866371640348114944 |
| score |
13.343132 |