Conclude AI chapter

Dissertation.org

@@ -8,6 +8,7 @@
 #+PANDOC_OPTIONS: csl:assets/ieee.csl
 #+PANDOC_OPTIONS: pdf-engine:xelatex
 #+PANDOC_OPTIONS: top-level-division:chapter
+#+PANDOC_OPTIONS: mathjax:t
 #+PANDOC_METADATA: link-citations:t
 * Resumen
 
@@ -114,13 +115,27 @@ Una neurona artificial es un modelo de una neurona biológica, cada neurona reci
 #+NAME: fig:artificial-neuron
 [[./assets/figures/artificial-neuron.png]]
 
-Una red neuronal artificial (ANN) es una red de capas de neuronas artificiales. Una ANN está formada por una capa de entrada, capas ocultas y una capa de salida. Las neuronas de una capa están conectadas, total o parcialmente, a las neuronas de la capa siguiente. También son posibles las conexiones de retroalimentación con las capas anteriores. La estructura típica de una ANN es la siguiente:
+El proceso de activación se puede expresar como un modelo matemático:
+
+\begin{equation}
+y= f \left(\sum\limits_{i=0}^{n} w_{i}x_{i} - T \right)
+\end{equation}
+
+donde $y$ es la salida del nodo, $f$ es la función de activación, $w_i$ es el peso de la entrada $x_{i}$ , y $T$ es el valor del umbral. cite:Zou2009
+
+Una red neuronal artificial (ANN) es una red de capas de neuronas artificiales. Una ANN está formada por una capa de entrada, capas ocultas y una capa de salida. Las neuronas de una capa están conectadas, total o parcialmente, a las neuronas de la capa siguiente. También son posibles las conexiones de retroalimentación con las capas anteriores. cite:book:80129  La estructura típica de una ANN es la siguiente:
+
+\clearpage
 
 #+CAPTION: Estructura de una red neuronal artificial cite:book:80129
 #+ATTR_HTML: :height 30% :width 50%
 #+NAME: fig:neural-network
 [[./assets/figures/neural-network.png]]
 
+Los principios básicos de las redes neuronales artificiales fueron formulados por primera vez en 1943, y el perceptrón, que históricamente es posiblemente la primera neurona artificial, se propuso en 1958. cite:book:2610592 Sin embargo, estos modelos no fueron populares hasta mediados de la década de 1980, cuando se reinventó el algoritmo de /back-propagation/.  cite:book:771224
+
+En la actualidad, los avances tanto en potencia de cálculo del /hardware/, especialmente en las tarjetas gráficas (GPU) cite:Cireşan2010, como la disponibilidad de grandes /datasets/ cite:book:771224 han dado lugar al /Deep Learning/.
+
 ** Hacia el Deep Learning
 * Estado del arte
 ** Bioinformática

assets/bibliography.bib

@@ -561,7 +561,7 @@
   year            = 2010,
   series          = {Prentice Hall Series in Artificial Intelligence},
   edition         = {3rd},
-  pages           = {38-45, 55-56}
+  pages           = {38-45, 48-49, 55-56}
 }
 
 @article{McCarthy_Minsky_Rochester_Shannon_2006,
@@ -599,3 +599,66 @@
   edition         = 2,
   pages           = {39-40}
 }
+
+@Inbook{Zou2009,
+  author          = "Zou, Jinming and Han, Yi and So, Sung-Sau",
+  editor          = "Livingstone, David J.",
+  title           = "Overview of Artificial Neural Networks",
+  bookTitle       = "Artificial Neural Networks: Methods and Applications",
+  year            = 2009,
+  publisher       = "Humana Press",
+  address         = "Totowa, NJ",
+  pages           = "14--22",
+  abstract        = "The artificial neural network (ANN), or simply neural
+                  network, is a machine learning method evolved from the idea of
+                  simulating the human brain. The data explosion in modern drug
+                  discovery research requires sophisticated analysis methods to
+                  uncover the hidden causal relationships between single or
+                  multiple responses and a large set of properties. The ANN is
+                  one of many versatile tools to meet the demand in drug
+                  discovery modeling. Compared to a traditional regression
+                  approach, the ANN is capable of modeling complex nonlinear
+                  relationships. The ANN also has excellent fault tolerance and
+                  is fast and highly scalable with parallel processing. This
+                  chapter introduces the background of ANN development and
+                  outlines the basic concepts crucially important for
+                  understanding more sophisticated ANN. Several commonly used
+                  learning methods and network setups are discussed briefly at
+                  the end of the chapter.",
+  isbn            = "978-1-60327-101-1",
+  doi             = "10.1007/978-1-60327-101-1_2",
+  url             = "https://doi.org/10.1007/978-1-60327-101-1_2"
+}
+
+@book{book:2610592,
+  title           = {Principles of artificial neural networks},
+  author          = {Graupe, Daniel},
+  publisher       = {World Scientific Publ},
+  isbn            = {9789814522731,9814522732},
+  year            = 2013,
+  edition         = {3. ed},
+  pages           = {28-31}
+}
+
+@Article{Cireşan2010,
+  author          = {Cire{\c{s}}an, Dan Claudiu and Meier, Ueli and Gambardella,
+                  Luca Maria and Schmidhuber, J{\"u}rgen},
+  title           = {Deep, Big, Simple Neural Nets for Handwritten Digit
+                  Recognition},
+  journal         = {Neural Computation},
+  year            = 2010,
+  month           = {Dec},
+  day             = 01,
+  volume          = 22,
+  number          = 12,
+  pages           = {3207-3220},
+  abstract        = {Good old online backpropagation for plain multilayer
+                  perceptrons yields a very low 0.35{\%} error rate on the MNIST
+                  handwritten digits benchmark. All we need to achieve this best
+                  result so far are many hidden layers, many neurons per layer,
+                  numerous deformed training images to avoid overfitting, and
+                  graphics cards to greatly speed up learning.},
+  issn            = {0899-7667},
+  doi             = {10.1162/NECO_a_00052},
+  url             = {https://doi.org/10.1162/NECO_a_00052}
+}