Translations:Neural Networks/20/es - Revision history

DeployBot: Batch translate Neural Networks unit 20 → es

2026-04-27T23:40:59Z

Batch translate Neural Networks unit 20 → es

← Older revision		Revision as of 23:40, 27 April 2026
Line 1:		Line 1:
	El '''teorema de aproximación universal''' (Cybenko 1989, Hornik 1991) ~~establece~~ que una red feedforward con una ~~sola~~ capa oculta que ~~contenga~~ un número finito de neuronas puede aproximar cualquier función continua en un subconjunto compacto de <math>\mathbb{R}^n</math> con precisión arbitraria, siempre que la función de activación ~~cumpla~~ condiciones suaves (por ejemplo, ~~que sea~~ no constante, acotada y continua).		El '''teorema de aproximación universal''' (Cybenko 1989, Hornik 1991) afirma que una red feedforward con una única capa oculta que contiene un número finito de neuronas puede aproximar cualquier función continua sobre un subconjunto compacto de <math>\mathbb{R}^n</math> con precisión arbitraria, siempre que la {{Term\|activation function\|función de activación}} satisfaga condiciones suaves (por ejemplo, ser no constante, acotada y continua).

DeployBot: Batch translate Neural Networks unit 20 → es

2026-04-27T22:02:59Z

Batch translate Neural Networks unit 20 → es

← Older revision		Revision as of 22:02, 27 April 2026
Line 1:		Line 1:
	El '''teorema de aproximación universal''' (Cybenko 1989, Hornik 1991) establece que una red feedforward con una sola capa oculta que ~~contiene~~ un número finito de neuronas puede aproximar cualquier función continua en un subconjunto compacto de <math>\mathbb{R}^n</math> con precisión arbitraria, siempre que la función de activación ~~satisfaga~~ condiciones suaves (por ejemplo, ~~ser~~ no constante, acotada y continua).		El '''teorema de aproximación universal''' (Cybenko 1989, Hornik 1991) establece que una red feedforward con una sola capa oculta que contenga un número finito de neuronas puede aproximar cualquier función continua en un subconjunto compacto de <math>\mathbb{R}^n</math> con precisión arbitraria, siempre que la función de activación cumpla condiciones suaves (por ejemplo, que sea no constante, acotada y continua).

DeployBot: Batch translate Neural Networks unit 20 → es

2026-04-27T03:35:02Z

Batch translate Neural Networks unit 20 → es

← Older revision		Revision as of 03:35, 27 April 2026
Line 1:		Line 1:
	El '''teorema de aproximación universal''' (Cybenko 1989, Hornik 1991) establece que una red ~~prealimentada~~ con una sola capa oculta que ~~contenga~~ un número finito de neuronas puede aproximar cualquier función continua ~~sobre~~ un subconjunto compacto de <math>\mathbb{R}^n</math> con precisión arbitraria, siempre que la función de activación ~~cumpla~~ condiciones suaves (por ejemplo, ser no constante, acotada y continua).		El '''teorema de aproximación universal''' (Cybenko 1989, Hornik 1991) establece que una red feedforward con una sola capa oculta que contiene un número finito de neuronas puede aproximar cualquier función continua en un subconjunto compacto de <math>\mathbb{R}^n</math> con precisión arbitraria, siempre que la función de activación satisfaga condiciones suaves (por ejemplo, ser no constante, acotada y continua).

DeployBot: [deploy-bot] Translate Neural Networks unit 20 to es

2026-04-27T00:25:17Z

[deploy-bot] Translate Neural Networks unit 20 to es

New page

El '''teorema de aproximación universal''' (Cybenko 1989, Hornik 1991) establece que una red prealimentada con una sola capa oculta que contenga un número finito de neuronas puede aproximar cualquier función continua sobre un subconjunto compacto de <math>\mathbb{R}^n</math> con precisión arbitraria, siempre que la función de activación cumpla condiciones suaves (por ejemplo, ser no constante, acotada y continua).