1. Recompilacion de datos
1.1. Se recuada la informacion posible para resolver un problema
1.1.1. Se hace la utilidad de las redes neuronales
1.1.1.1. Una red neuronal es aquella que trata de imitar la inteligencia humana.
2. Procesamiento
2.1. Despues de la seleccion de datos, se limpia y se prepara, para eliminar lo que sobresalga.
2.1.1. Un ejemplo claro es un repostero, para hacer un pastel tiene que tener todos los ingredientes en la despensa.
2.1.1.1. Desde ahi empieza la entrada de la red neuronal.
3. Seleccion de caracteristicas
3.1. Se identifican las variables mas sobresalienres
3.1.1. Un ejemplo de tipo seleccion, es cuando se escojen los ingredientes, huevos, harina, azucar etc. y se elimina el ajo y cal
3.1.1.1. Estadisticamente esta es la segunda capa de la red neuronal
4. ELECCION DEL MODELO
4.1. Se selecciona el tipo de algoritmo mas adecuado para el problema.
4.1.1. En esta seccion es la ruta que tomara la red, para que su prediccion sea la correcta
4.1.2. En caso de lo contrario en cada dato que se inserte nunca podar predicir.
5. ENTRENAMIENTO
5.1. Se hacen varias pruebas de los datos obtenidos y se entrena para el modelo seleccionado
5.1.1. Exiten varios tipos de entremiento
5.1.1.1. Supervisado
5.1.1.1.1. Solo crea salidas y entradas correctas, aprende de manera aotomatica
5.1.1.2. No supervisado
5.1.1.2.1. Aquel que hace todo correctamente sin necesidad de surpervisar (recibe datos brutos)
5.1.1.3. Por esfuerzo
5.1.1.3.1. Es el de mayor error y ensayo, siempre tiene que estar evaluado, ya que sus salidas y entradas son buenas o malas.
6. EVALUACION
6.1. Se evalua y se observa como se desempeña la prediccion de los nuevos datos
6.1.1. BASE DE DATOS VECTORIAL
6.1.1.1. Ayuda a almacenar los datos que mejoran sobre el aprendizaje automatico
6.1.1.1.1. Por ello es que los modelos de aprendizaje automatico puedan encontrar informacion relacionada.
6.1.1.2. Los datos vectoriales se almacenan en una matriz de dimensiones y con vectores.
6.1.1.2.1. Esto especifican la pocision de cada elemento en las dimensiones
7. AJUSTE Y MEJORA
7.1. se repiten los pasos del modelo y se hace la mejora de su rendimiento
7.1.1. Reconocimiento de voz
7.1.1.1. Se puede mejorar mediante la seguridad del aprendizaje por medio de una voz unica.
7.1.2. Reconociemnto de imagenes
7.1.2.1. Agregar una deteccion de imagenes, podria fluir o incluso a ayudar ene l proceso de datos, con tan solo insertar i¿una imagen