El (hiper)parámetro Tasa de Aprendizaje varía de 0 a 1, en incrementos de 0.05. Es un (hiper)parámetro crucial que determina el tamaño de los pasos tomados durante el proceso de optimización, típicamente mediante técnicas como el descenso de gradiente. Esencialmente, gobierna la velocidad con la que se ajustan los parámetros (pesos y sesgos) del modelo durante el entrenamiento en respuesta al error o pérdida calculada.

Una Tasa de Aprendizaje más alta significa que los parámetros del modelo se actualizan de manera más agresiva en cada iteración, potencialmente llevando a una convergencia más rápida hacia una solución. Sin embargo, una Tasa de Aprendizaje excesivamente alta puede causar que el proceso de optimización sobrepase el mínimo de la función de pérdida, lo que lleva a inestabilidad y dificultades para encontrar una solución óptima.

Por el contrario, una Tasa de Aprendizaje más baja puede resultar en una convergencia más lenta, pero puede ofrecer más estabilidad y precisión al alcanzar la solución óptima, ya que permite ajustes más finos a los parámetros del modelo.

Elegir una Tasa de Aprendizaje adecuada es un aspecto crítico para entrenar redes neuronales de manera efectiva, lo que a menudo implica experimentación y ajuste fino para lograr un equilibrio entre la eficiencia del entrenamiento y el rendimiento del modelo.

El (hiper)parámetro Historial (o Histórico) varía de 10 a 500, en incrementos de 1. Este parámetro es la columna vertebral del proceso de aprendizaje del modelo de IA. Consiste en una recopilación completa de observaciones pasadas, estructuradas en pares de entrada-salida, donde las entradas representan características o atributos de los datos, y las salidas corresponden a etiquetas objetivo o resultados deseados. Este conjunto de datos es fundamental para entrenar la red neuronal, permitiéndole reconocer patrones, correlaciones y dependencias dentro de los datos de la lotería. Así, el modelo puede realizar predicciones o clasificaciones informadas sobre nuevos casos aún no vistos — o, en otras palabras, los próximos números ganadores basados en patrones nuevos emergentes.

La calidad, diversidad y tamaño del Historial influyen significativamente en el rendimiento de la red neuronal y en su capacidad de generalización. Un conjunto de datos bien comisariado, que abarque una amplia gama de escenarios y variaciones (como el enorme conjunto de datos de loterías de Neural-Lotto), facilita un aprendizaje sólido y mejora la capacidad del modelo para generalizar más allá de los datos de entrenamiento. Por el contrario, limitaciones como datos escasos, sesgos o imprecisiones dentro de los datos del Historial pueden obstaculizar el proceso de aprendizaje de la red neuronal y afectar la precisión de sus predicciones. Por ello, Neural-Lotto presta especial atención a la recopilación, preprocesamiento y validación de datos, asegurando la integridad y relevancia del conjunto de datos del Historial para entrenar la red neuronal con la mayor eficacia posible.

El (hiper)parámetro Épocas varía de 100 a 50,000, en incrementos de aproximadamente 50 o menos. Representa un concepto fundamental en el proceso iterativo de entrenamiento. Cada Época equivale a un recorrido completo por todo el conjunto de datos de entrenamiento, donde el modelo de IA procesa cada punto de datos individual para actualizar sus parámetros internos. Durante cada Época, el modelo realiza una serie de pasos hacia adelante y hacia atrás, donde los datos de entrada se propagan hacia el frente a través de la red para generar predicciones, y luego los gradientes de error se propagan hacia atrás para ajustar los pesos y sesgos del modelo mediante algoritmos de optimización como el descenso de gradiente. Al exponer repetidamente la red neuronal a todo el conjunto de datos a lo largo de múltiples Épocas, el modelo va refinando gradualmente sus representaciones internas y aprendiendo a capturar patrones y relaciones complejas dentro de los datos.

El número de Épocas es un (hiper)parámetro crucial que influye en la dinámica del entrenamiento y en el rendimiento general de la red neuronal. Determinar la cantidad óptima de Épocas requiere encontrar un equilibrio entre subajuste y sobreajuste — el primero indicando un entrenamiento insuficiente, lo que resulta en un modelo incapaz de captar los patrones subyacentes en los datos, mientras que el segundo significa un entrenamiento excesivo, causando que el modelo memorice los ejemplos de entrenamiento y tenga un rendimiento pobre sobre datos no vistos. Mediante validación empírica y experimentación, los usuarios deben ajustar cuidadosamente el número de Épocas para lograr la convergencia a una solución óptima, asegurando que la red neuronal generalice adecuadamente a instancias nuevas no vistas, evitando tanto el subajuste como el sobreajuste.

El (hiper)parámetro Progresión varía de 0 a 500, en incrementos de 1. La Progresión (o Retroprogresión) en el entrenamiento de redes neuronales es un enfoque metódico diseñado para mejorar la capacidad del modelo de IA para comprender patrones y dependencias temporales dentro de datos secuenciales. En lugar de inundar a la red con la totalidad del conjunto de datos históricos en una sola instancia de entrenamiento, la Retroprogresión implica dividir los datos en bloques o segmentos más pequeños y contiguos. Estos segmentos, conocidos como retropasos, representan subconjuntos sucesivos de los datos históricos generales, cada uno capturando una ventana o intervalo temporal específico. El proceso de entrenamiento avanza de manera iterativa, con el modelo procesando y aprendiendo de cada retropaso secuencialmente, retrocediendo progresivamente en el tiempo con cada iteración.

Al emplear Retroprogresión, la red neuronal puede adaptarse eficazmente a las dinámicas y variaciones evolucionantes inherentes en datos secuenciales a lo largo de diferentes lapsos de tiempo. Este enfoque permite al modelo identificar y codificar patrones y relaciones temporales dentro de los datos de manera más completa, lo que conduce a una mayor precisión predictiva y mejor capacidad de generalización. La Retroprogresión facilita una exploración más detallada del contexto histórico que rodea cada punto de datos, permitiendo a la red neuronal captar matices sutiles y dependencias temporales que pueden ser cruciales para predicciones o clasificaciones precisas en tareas de datos secuenciales. Sin embargo, se debe actuar con precaución, ya que un uso innecesario y excesivo puede generar un tiempo de convergencia exponencialmente prolongado (o incluso impedir la convergencia), sin necesariamente traducirse en resultados más precisos (o útiles).

El (hiper)parámetro Momento varía de 0 a 1, en incrementos de 0.05. Es un (hiper)parámetro crucial utilizado en algoritmos de optimización como el descenso de gradiente. Momento introduce una forma de inercia en el proceso de optimización, permitiéndole continuar en la dirección de actualizaciones previas con un cierto factor de momento. Esto significa que, en lugar de depender únicamente de la dirección del gradiente actual para actualizar los parámetros del modelo de IA, Momento incorpora información de actualizaciones anteriores, suavizando fluctuaciones y facilitando una convergencia más consistente hacia la solución óptima.

Al incorporar Momento, el proceso de optimización adquiere inercia con el tiempo, lo que ayuda a navegar de manera más efectiva a través de panoramas de optimización ruidosos o irregulares. Esto es especialmente útil en escenarios donde las señales del gradiente presentan una alta varianza o donde la función de pérdida contiene numerosos mínimos locales. Momento ayuda a reducir oscilaciones, acelerar la convergencia y mejorar la estabilidad y eficiencia general del proceso de entrenamiento, contribuyendo en última instancia a un mejor rendimiento de la red neuronal.

El (hiper)parámetro Neuronas/Capas (o Neuronas por Capa) varía de 10 a 8,000, en incrementos aproximados de 8 o menos. Esto representa la cantidad incremental promedio de unidades computacionales incorporadas en cada capa de la arquitectura de la red. Estas neuronas actúan como unidades fundamentales de procesamiento, recibiendo señales de entrada, aplicando operaciones transformacionales y transmitiendo señales de salida a las capas siguientes. El número de neuronas por capa juega un papel crucial en la capacidad de expresión y aprendizaje del modelo de IA. En términos generales, un mayor número de neuronas en una capa permite a la red capturar y representar patrones más complejos y matizados dentro de los datos, mejorando así su capacidad para aprender relaciones complejas y realizar predicciones más precisas.

La distribución de neuronas a lo largo de las capas es una consideración clave en el desarrollo del tiempo de ejecución del NeuralReality³ AI Engine. En las capas iniciales, donde se procesa la entrada de datos en bruto, el número de neuronas suele corresponder a la dimensionalidad de las características de entrada, permitiendo a la red extraer patrones y características básicas. A medida que la información avanza a través de las capas posteriores, el número de neuronas generalmente aumenta (automáticamente en la implementación del NeuralReality³ AI Engine, si se considera pertinente), lo que permite que la red aprenda representaciones más abstractas y jerárquicas de los datos. Esta representación jerárquica facilita la extracción de características de alto nivel y permite que la red identifique relaciones complejas que podrían no ser evidentes en los datos de entrada en bruto.

El ajuste cuidadoso del (hiper)parámetro Neuronas/Capa es esencial para encontrar un equilibrio entre la complejidad del modelo y su capacidad de generalización. Muy pocas neuronas pueden llevar al subajuste, donde el modelo no logra capturar los patrones subyacentes en los datos, mientras que un número excesivo de neuronas puede provocar el sobreajuste, donde el modelo memoriza los datos de entrenamiento sin generalizar bien a ejemplos no vistos. Por lo tanto, seleccionar un número adecuado de neuronas por capa implica experimentación iterativa y validación, con el fin de garantizar que la red neuronal alcance el mejor rendimiento y precisión posibles.

El (hiper)parámetro Capas varía de 10 a 3,000, en incrementos de aproximadamente 3 o menos. Las Capas son los bloques fundamentales que organizan y procesan la información a lo largo de la arquitectura del modelo de IA. Estas capas están estructuradas como matrices interconectadas de unidades computacionales llamadas neuronas. El NeuralReality³ AI Engine está compuesto por múltiples capas, cada una con un rol específico en la transformación y refinamiento de los datos de entrada para producir los resultados deseados. La primera capa, conocida como capa de entrada, recibe los datos en bruto, donde cada neurona representa una característica o atributo de la información. Después de la capa de entrada, las capas ocultas realizan transformaciones no lineales sobre los datos de entrada, extrayendo características y patrones relevantes a través de una serie de cálculos ponderados y funciones de activación. Estas capas ocultas permiten que la red aprenda relaciones y representaciones complejas dentro de los datos, mejorando su capacidad de generalización y su precisión en predicciones o clasificaciones.

La última capa en la arquitectura de la red neuronal es la capa de salida, que genera las predicciones o clasificaciones del modelo basándose en la información procesada por las capas ocultas. El número de neuronas en la capa de salida corresponde a la dimensionalidad del resultado deseado, donde cada neurona suele representar una etiqueta de clase o un valor de regresión. La disposición y configuración de las Capas, incluyendo la cantidad de neuronas y las funciones de activación empleadas, juegan un papel crucial en la expresividad, la capacidad de aprendizaje y el rendimiento general del modelo de IA. A través de la composición jerárquica de Capas, la red neuronal puede capturar y aprender patrones y relaciones complejas dentro de los datos, funcionando como el primer sistema de procesamiento dentro de la sofisticada y compleja arquitectura del NeuralReality³ AI Engine.

El (hiper)parámetro Perceptrones varía de 20,000 a 50,000, en incrementos de 5,000. Se trata de un rango, lo que significa que, a menos que el (hiper)parámetro se configure en un único valor, el Neural-Reality³ AI Engine utilizará un rango de Perceptrones de Múltiples Capas (MLPs) durante la construcción de la red neuronal. Los MLPs amplían el concepto básico de los perceptrones al introducir una o más capas ocultas entre las capas de entrada y salida. Estas capas ocultas permiten que los MLPs aprendan relaciones complejas y no lineales dentro de los datos al aplicar una serie de transformaciones a las características de entrada. Cada neurona en las capas ocultas calcula una suma ponderada de las entradas provenientes de la capa anterior y luego aplica una función de activación no lineal para introducir no linealidad en el modelo de IA.

La inclusión de capas ocultas en los MLPs permite la construcción de modelos altamente flexibles y expresivos, capaces de aproximar funciones complejas y capturar patrones intrincados dentro de los datos. Al aprovechar múltiples niveles de abstracción, los MLPs aprenden representaciones jerárquicas de los datos de entrada, extrayendo características progresivamente más avanzadas a medida que la información fluye a través de la red. A través del proceso de entrenamiento, que implica el ajuste de los pesos y sesgos de las neuronas en función de los errores observados, los MLPs aprenden eficazmente a mapear los datos de la lotería de entrada hacia los resultados deseados, convirtiéndolos en precursores fundamentales de las múltiples redes neuronales profundas (que conforman la totalidad de la red neuronal global del NeuralReality³ AI Engine), optimizando la precisión y el rendimiento en la predicción de loterías.

El (hiper)parámetro Algoritmo varía de 1 a 25, en incrementos de 1. Determina cuál de los 25 algoritmos de aprendizaje de lógica difusa altamente adaptativos disponibles en el NeuralReality³ AI Engine se utiliza para modelar los datos complejos, inciertos y, a veces, imprecisos de una lotería. Estos algoritmos integran principios de lógica difusa, un marco matemático diseñado para el razonamiento bajo incertidumbre, en el proceso de aprendizaje de la red neuronal. A diferencia de la lógica binaria tradicional, que opera de manera rígida y determinista, la lógica difusa permite representar conceptos vagos o ambiguos asignando grados de verdad a las proposiciones. En el NeuralReality³ AI Engine, esta flexibilidad permite que el modelo maneje datos de entrada ruidosos o inciertos de manera más efectiva, lo que da lugar a un aprendizaje más sólido y adaptativo.

Un ejemplo de estos algoritmos es el Sistema de Inferencia Neuro-Difuso Adaptativo (ANFIS), que combina la capacidad adaptativa de una red neuronal profunda con la interpretabilidad de los sistemas de lógica difusa. ANFIS emplea un enfoque de aprendizaje híbrido que integra técnicas de aprendizaje supervisado, como la retropropagación, con mecanismos de inferencia difusa para construir automáticamente sistemas de aprendizaje profundo con inferencia difusa adaptativa dentro de la red del NeuralReality³ AI Engine. Al ajustar dinámicamente las funciones de pertenencia difusa y los parámetros de la base de reglas en función de los datos observados, ANFIS puede modelar eficazmente relaciones no lineales y realizar predicciones precisas en conjuntos de datos de lotería inciertos o ruidosos. Estos algoritmos de aprendizaje basados en lógica difusa, altamente adaptativos, ofrecen un marco flexible e interpretable que ningún otro sistema posee.

El (hiper)parámetro RNs Grossberg varía de 1 a 32, en incrementos de 1. Determina cuántas Redes Neuronales Grossberg, también conocidas como redes de Teoría de Resonancia Adaptativa Grossberg (ART), se crean dentro de la red neuronal profunda principal del NeuralReality³ AI Engine. Estas redes forman una clase de modelos de redes neuronales diseñadas para aprendizaje no supervisado y tareas de reconocimiento de patrones. Desarrolladas por Stephen Grossberg, estas redes emplean mecanismos de aprendizaje competitivo para ajustar dinámicamente sus pesos sinápticos en respuesta a los patrones de entrada. Las Redes Neuronales Grossberg están compuestas por múltiples capas de neuronas organizadas jerárquicamente, donde cada capa implementa interacciones competitivas entre las neuronas para identificar y adaptarse a los patrones de entrada. Estas redes exhiben una forma de comportamiento autoorganizante, en donde las neuronas compiten para activarse según la similitud entre los patrones de entrada y sus representaciones internas.

Una de las características clave de las Redes Neuronales Grossberg es su capacidad de aprendizaje en línea, lo que les permite adaptarse a nuevos patrones de entrada en tiempo real. A través de un proceso llamado resonancia adaptativa, estas redes mantienen representaciones estables de los patrones de entrada mientras siguen siendo sensibles a cambios en la distribución de los datos de entrada. Gracias a esta capacidad, las redes Grossberg pueden categorizar patrones de entrada en grupos o categorías según criterios de similitud, lo que las hace especialmente útiles para el reconocimiento, clasificación y agrupamiento de patrones de datos de lotería, donde el aprendizaje y la adaptación en tiempo real son esenciales.

El (hiper)parámetro RNs Neocognitron varía de 1 a 16, en incrementos de 1. Este parámetro determina cuántas Redes Neuronales Neocognitron son acopladas a las Redes Neuronales Grossberg utilizadas por la red principal del NeuralReality³ AI Engine. Si bien no son redes neuronales de tiempo continuo en sí mismas, las Redes Neuronales Neocognitron, desarrolladas por Kunihiko Fukushima, representan una arquitectura revolucionaria inspirada en los mecanismos de procesamiento visual observados en el cerebro de los mamíferos. Diseñadas principalmente para tareas de reconocimiento de patrones, en especial dentro del ámbito del reconocimiento de imágenes, los Neocognitron están compuestos por múltiples capas de neuronas interconectadas organizadas jerárquicamente. Estas capas alternan entre células simples y complejas, cada una con una función específica en el procesamiento de información visual. Las células simples detectan características básicas, como bordes y texturas, mientras que las células complejas integran estas características en diferentes ubicaciones espaciales y escalas, permitiendo la extracción de representaciones jerárquicas de patrones visuales. Cuando este tipo de red neuronal es acoplado a una red de teoría de resonancia adaptativa, el NeuralReality³ AI Engine genera automáticamente redes neuronales convolucionales auxiliares, lo que mejora aún más el proceso de reconocimiento de patrones.

Una de las principales innovaciones de las redes neuronales Neocognitron es su uso de campos receptivos locales y pesos compartidos. Este diseño permite a la red aprender de manera eficiente representaciones jerárquicas de patrones visuales, detectando características en diferentes ubicaciones espaciales y escalas. Gracias a la conectividad local y el uso compartido de pesos, las redes Neocognitron son altamente resistentes a variaciones en las imágenes de entrada, tales como traslaciones, rotaciones y cambios de escala. Estas redes contribuyen significativamente a los avances de Neural-Lotto en el reconocimiento de patrones de lotería, ya que el NeuralReality³ AI Engine también tiene la capacidad de tratar los conjuntos de datos de lotería de manera gráfica y visual.

El (hiper)parámetro SOMs Kohonen varía de 1 a 96, en incrementos de 1. Este parámetro determina cuántas redes neuronales Kohonen se utilizan para crear Mapas Auto-Organizados Kohonen/Redes Neuronales Recurrentes Hopfield híbridos y fusionados, utilizados por la red principal del NeuralReality³ AI Engine. Las redes neuronales Kohonen, también conocidas como Mapas Auto-Organizados Kohonen (SOMs), son un tipo de red neuronal artificial desarrollada por Teuvo Kohonen. Estas redes están diseñadas para tareas de aprendizaje no supervisado, particularmente en el ámbito de agrupamiento, visualización de datos y extracción de características. Las redes Kohonen consisten en una matriz bidimensional de neuronas, donde cada neurona representa un prototipo o vector de libro de códigos en el espacio de entrada.

Durante el entrenamiento, las redes Kohonen pasan por un proceso autoorganizado, donde las neuronas compiten para representar diferentes regiones del espacio de datos de entrada. Este proceso es impulsado por un algoritmo de aprendizaje iterativo que ajusta los pesos de las neuronas en función de su similitud con los patrones de entrada. Las neuronas cercanas entre sí en la matriz tienden a responder a patrones de entrada similares, lo que lleva a la formación de agrupamientos o representaciones topológicas de los datos de entrada. Los SOMs Kohonen son particularmente útiles para visualizar datos de alta dimensión en un espacio de menor dimensión, lo que permite la exploración e interpretación intuitiva de conjuntos de datos complejos. Dentro del NeuralReality³ AI Engine, se emplean para tareas como el agrupamiento de tendencias y extracción de características en datos de lotería.

El (hiper)parámetro RNRs Hopfield varía de 1 a 96, en incrementos de 1. Este parámetro determina cuántas Redes Neuronales Recurrentes Hopfield se utilizan para crear Mapas Auto-Organizados Kohonen/Redes Neuronales Recurrentes Hopfield híbridos y fusionados, empleados por la red principal del NeuralReality³ AI Engine. Las Redes Neuronales Recurrentes Hopfield, ideadas por John Hopfield, representan una clase de redes neuronales artificiales recurrentes notables por su capacidad para almacenar y recuperar patrones o memorias. Estructuradas como una sola capa de neuronas interconectadas, las Redes Neuronales Recurrentes Hopfield exhiben conectividad completa, donde cada neurona está conectada a todas las demás neuronas de la red. Este arreglo permite un procesamiento de información global, en el que cada neurona influye y es influenciada por toda la red. Las redes Hopfield emplean un modelo energético simple y dinámicas iterativas para converger a estados estables, conocidos como atractores, que corresponden a los patrones o memorias almacenadas. Durante su funcionamiento, la red minimiza iterativamente una función de energía, convergiendo gradualmente a estados estables que codifican los patrones almacenados.

Una de las capacidades clave de las redes Hopfield es su mecanismo de recuperación de memoria asociativa. Al presentar un patrón de entrada parcial o ruidoso a la red, las redes Hopfield activan la recuperación y reconstrucción del patrón almacenado más similar. Esta propiedad de memoria asociativa hace que las redes Hopfield sean especialmente adecuadas para tareas como sistemas de memoria direccionable por contenido, donde es esencial recordar información almacenada a partir de pistas parciales o degradadas. Además, las redes Hopfield son utilizadas por el NeuralReality³ AI Engine para reducir problemas de optimización, donde se emplean para encontrar los mínimos de energía correspondientes a soluciones óptimas, así como en tareas de reconocimiento de patrones, donde clasifican o reconocen tendencias y patrones en entradas de lotería basados en asociaciones aprendidas.

El (hiper)parámetro RNPs varía de 1 a 48, en incrementos de 1. Determina cuántas Redes Neuronales Probabilísticas auxiliares se crean y utilizan por la red principal del NeuralReality³ AI Engine. Las redes neuronales Probabilísticas, también conocidas como modelos gráficos probabilísticos, son un marco poderoso para representar y razonar sobre la incertidumbre en sistemas complejos. Estos modelos utilizan estructuras gráficas para capturar las dependencias probabilísticas entre variables en un dominio dado. En las redes probabilísticas, los nodos representan variables aleatorias, mientras que las aristas denotan las dependencias probabilísticas entre estas variables. Al aprovechar los principios de la teoría de probabilidades y la teoría de grafos, las redes probabilísticas facilitan la inferencia eficiente y el razonamiento probabilístico, permitiendo a los analistas tomar decisiones informadas frente a la incertidumbre.

Una de las principales ventajas de las redes probabilísticas radica en su capacidad para manejar y propagar la incertidumbre de manera efectiva. A través del uso de modelos gráficos y algoritmos de inferencia probabilística, estas redes pueden inferir la probabilidad de diferentes resultados dados los datos observados, facilitando la toma de decisiones robustas en entornos inciertos, como los datos de lotería. Al codificar las dependencias probabilísticas en un formato gráfico, estos modelos proporcionan una representación clara e intuitiva de las relaciones subyacentes entre las variables. Además, las redes probabilísticas admiten varios tipos de tareas de inferencia, incluidas el razonamiento probabilístico, la estimación de parámetros y la toma de decisiones bajo incertidumbre.

El (hiper)parámetro RNs Bayesianas varía de 1 a 48, en incrementos de 1. Determina cuántas Redes Neuronales Bayesianas auxiliares se crean y utilizan en la red principal del NeuralReality³ AI Engine. Las Redes Neuronales Bayesianas (BNNs) son una clase de modelos de redes neuronales que integran técnicas de inferencia Bayesiana para manejar la incertidumbre tanto en los parámetros del modelo como en las predicciones. A diferencia de las redes neuronales tradicionales, que proporcionan estimaciones puntuales para los parámetros, las BNNs tratan los parámetros del modelo como distribuciones de probabilidad, lo que permite cuantificar la incertidumbre en las predicciones. En las BNNs, se emplean métodos Bayesianos como cadena Markov Monte Carlo (MCMC) o inferencia variacional para aproximar la distribución posterior sobre los parámetros del modelo dados los datos observados. Esto permite que las BNNs capturen la incertidumbre inherente en los datos y el modelo, proporcionando predicciones más robustas y fundamentadas.

Una de las principales ventajas de las Redes Neuronales Bayesianas es su habilidad para ofrecer estimaciones de incertidumbre junto con las predicciones, lo cual es crucial en los procesos de toma de decisiones. Al representar los parámetros del modelo como distribuciones de probabilidad, las BNNs no solo proporcionan estimaciones puntuales, sino también medidas de incertidumbre, lo que permite a los usuarios evaluar la fiabilidad de las predicciones. Esto hace que las BNNs sean particularmente valiosas en aplicaciones donde la incertidumbre juega un papel significativo, como el pronóstico financiero y la predicción de loterías. Además, las BNNs ofrecen beneficios de regularización al incorporar de manera natural el conocimiento previo en el modelo, lo que ayuda a mitigar el sobreajuste y mejora el rendimiento de generalización.

La Búsqueda Best-First es un algoritmo de recorrido de grafos que explora sistemáticamente un espacio de búsqueda priorizando los nodos según una función heurística. En cada paso, el algoritmo selecciona el nodo considerado más prometedor según la heurística, expandiendo únicamente los sucesores de ese nodo para su posterior exploración. Esta estrategia de priorización permite que la Búsqueda Best-First concentre sus esfuerzos en los caminos más probables hacia el estado objetivo, lo que potencialmente conduce a un recorrido eficiente y al descubrimiento de soluciones en espacios de búsqueda grandes. Sin embargo, la efectividad de la Búsqueda Best-First depende en gran medida de la calidad de la función heurística elegida, ya que influye directamente en la capacidad del algoritmo para evaluar con precisión las prioridades de los nodos y guiar la búsqueda hacia el objetivo.

La Búsqueda Breadth-First (BFS) es un algoritmo de recorrido de grafos que explora sistemáticamente un espacio de búsqueda expandiendo nodos nivel por nivel. Comenzando desde un nodo inicial, BFS explora todos los nodos vecinos en el nivel actual antes de pasar al siguiente nivel de nodos. Este enfoque de búsqueda en amplitud primero garantiza que los nodos más cercanos a la raíz sean explorados primero, lo que potencialmente lleva al descubrimiento del camino más corto hacia un nodo objetivo en grafos no ponderados. BFS se utiliza con frecuencia en escenarios donde se requiere encontrar el camino más corto o explorar todos los caminos posibles desde un punto de inicio, como en la resolución de laberintos, enrutamiento de redes y algoritmos de resolución de acertijos, como resolver un cubo Rubik.

La Búsqueda Depth-First (DFS) es un algoritmo de recorrido de grafos que explora sistemáticamente un espacio de búsqueda, priorizando la exploración de nodos a lo largo de una única rama del árbol de búsqueda hasta llegar a un nodo hoja. Comenzando desde un nodo inicial, DFS explora tan lejos como sea posible a lo largo de cada rama antes de retroceder para explorar otras ramas. Este enfoque de profundidad primero puede implementarse de forma recursiva o utilizando una estructura de datos de pila, lo que permite a DFS recorrer de manera eficiente caminos profundos en el grafo. DFS es particularmente útil para tareas como ordenamiento topológico, detección de ciclos y resolución de laberintos, donde explorar exhaustivamente una rama antes de retroceder resulta ventajoso.

La Búsqueda Uniform Cost (UCS) es un algoritmo de recorrido de grafos que explora sistemáticamente un espacio de búsqueda, priorizando los nodos en función del costo acumulado del camino desde el nodo de inicio hasta cada nodo. A diferencia de la Búsqueda Breadth-First (BFS), que prioriza los nodos según su nivel en el árbol de búsqueda, UCS selecciona primero los nodos con el menor costo de camino. Esto permite que UCS encuentre de manera eficiente el camino más corto hacia un nodo objetivo en grafos ponderados, donde las aristas tienen costos asociados. Al expandir continuamente el nodo con el menor costo de camino, UCS garantiza que explora los caminos en orden creciente de costo, asegurando la optimalidad cuando los costos de las aristas son no negativos.

El Análisis Means-Ends es una estrategia de resolución de problemas utilizada para cerrar la brecha entre el estado actual y el estado objetivo deseado, desglosando el problema en subobjetivos e identificando las acciones necesarias para alcanzar cada subobjetivo. Este enfoque implica comparar de manera continua el estado actual con el estado objetivo deseado y seleccionar acciones que reduzcan las diferencias entre ellos. El Análisis Means-Ends opera de manera iterativa, donde cada acción tomada acerca al solucionador del problema al objetivo, ya sea eliminando obstáculos o avanzando hacia el estado deseado. Es comúnmente utilizado en tareas de resolución de problemas donde el camino hacia la solución no es inmediatamente obvio, permitiendo que el sistema navegue de manera sistemática a través de espacios de problemas complejos mediante la selección estratégica de metas intermedias y acciones para progresar hacia el objetivo final.

El Razonamiento No Monotónico es una forma de razonamiento lógico que permite la revisión de creencias y conclusiones en respuesta a nueva información o cambios en las circunstancias. A diferencia de la lógica clásica, donde las conclusiones se derivan de premisas dadas y permanecen sin cambios, el Razonamiento No Monotónico reconoce la posibilidad de incertidumbre y revisa las conclusiones previamente extraídas cuando nueva información contradice o modifica las creencias existentes. En el Razonamiento No Monotónico, las conclusiones están sujetas a cambios o revisiones a medida que se dispone de nueva información, lo que permite una toma de decisiones más flexible y adaptativa en entornos dinámicos o inciertos. Este enfoque es particularmente útil en dominios donde la información incompleta o contradictoria es común, permitiendo a los sistemas hacer conclusiones tentativas o probabilísticas que pueden ser revisadas o actualizadas a medida que se obtiene más evidencia.

El (hiper)parámetro Funciones Dempster-Shafer varía de 1 a 14, en incrementos de 1. Determina cuántas funciones de creencia de la Teoría Dempster-Shafer se utilizan en la construcción y operación de la red neuronal profunda principal. La Teoría Dempster-Shafer, también conocida como teoría de funciones de creencia o de evidencia, es un marco matemático para el razonamiento bajo incertidumbre, especialmente en situaciones donde la evidencia es incompleta o contradictoria. Esta teoría permite combinar evidencia de múltiples fuentes, cada una con su propio nivel de incertidumbre, para derivar una distribución coherente de creencias o probabilidades sobre un conjunto de hipótesis o resultados. A diferencia de la teoría de probabilidad tradicional, la Teoría Dempster-Shafer permite representar la ignorancia o la incertidumbre asignando masas de creencia a subconjuntos del espacio de hipótesis, capturando el grado de apoyo o creencia en cada subconjunto. Las Funciones Dempster-Shafer permiten la fusión de evidencia y el cálculo de actualizaciones de creencia, proporcionando un enfoque fundamentado para la toma de decisiones y la inferencia en áreas como el reconocimiento de patrones, los sistemas expertos y los sistemas de soporte a la toma de decisiones, donde la incertidumbre es frecuente.

El (hiper)parámetro Selecciones de Rueda instruye al NeuralReality³ AI Engine que genere (de salida) una cantidad mayor de selecciones más allá de las selecciones estándar (base) definidas por la lotería de tu elección. Por ejemplo, en el caso de una lotería tipo 6/49, activar el interruptor Rueda dirige a la red neuronal a producir 7 o más números en lugar de los 6 habituales, según la configuración del (hiper)parámetro Selecciones de Rueda. Los números resultantes pueden luego utilizarse dentro de un sistema de rueda de lotería de tu elección. Es importante tener en cuenta que no todas las loterías admiten esta funcionalidad de rueda. Si el interruptor Rueda se deja en la posición APAGADO, la red neuronal generará únicamente los números base estándar aplicables a la lotería especificada.