Una Red Neuronal Artificial (ANN) modela la relación entre un conjunto de entradas y una salida, resolviendo un problema de aprendizaje.

Algunos ejemplos de aplicación de ANN son:

  • La recomendación de contenido de Netflix
  • Feed de Instagram
  • Determinar el número escrito a mano

Ejercicio 1. ¿Pasé la Materia ?

1. Instalar paquetes y llamar librerias.

#install.packages("neuralnet")
library(neuralnet)

2. Obtener los datos

examen  = c(20,10,30,20,80,30)
proyecto = c(90,20,40,50,50,80)
status = c (1,0,0,0,0,1)
df1 = data.frame(examen, proyecto, status)

3. Generar la Red Neuronal.

set.seed(123)
rn1 = neuralnet(status~., data=df1)
plot(rn1, rep= 'best')

4. Predecir resultados.

prueba_examen = c(30,40,85)
prueba_proyecto = c(85,50,40)
prueba1 = data.frame(prueba_examen, prueba_proyecto)
prediccion = compute(rn1, prueba1)
prediccion$net.result
##             [,1]
## [1,]  1.04011743
## [2,] -0.02359178
## [3,] -0.02359178
probabilidad= prediccion$net.result
resultado= ifelse(probabilidad>0.5, 1, 0)
resultado
##      [,1]
## [1,]    1
## [2,]    0
## [3,]    0
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