Translations:Neural Networks/20/es: Difference between revisions

Revision as of 22:02, 27 April 2026

Information about message (contribute)

This message has no documentation. If you know where or how this message is used, you can help other translators by adding documentation to this message.

Message definition (Neural Networks)

The '''universal approximation theorem''' (Cybenko 1989, Hornik 1991) states that a feedforward network with a single hidden layer containing a finite number of neurons can approximate any continuous function on a compact subset of <math>\mathbb{R}^n</math> to arbitrary accuracy, provided the {{Term|activation function}} satisfies mild conditions (e.g. is non-constant, bounded, and continuous).

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 $\mathbb{R}^n$ con precisión arbitraria, siempre que la función de activación cumpla condiciones suaves (por ejemplo, que sea no constante, acotada y continua).

Revision as of 03:35, 27 April 2026 (view source) DeployBot (talk \| contribs) (Batch translate Neural Networks unit 20 → es) Tag: translation ← Older edit		Revision as of 22:02, 27 April 2026 (view source) DeployBot (talk \| contribs) (Batch translate Neural Networks unit 20 → es) Tag: translation Newer edit →
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).