3. Introducción a la Inteligencia Artificial

3.1. Redes neuronales

Las redes neuronales son modelos matemáticos inspirados en el funcionamiento del cerebro humano. Están formadas por:

  • Nodos: Las unidades básicas que realizan cálculos. Estos se organizan en:
    -Capa de entrada: Recibe los datos iniciales (por ejemplo, imágenes de números escritos a mano).
    -Capas ocultas: Realizan transformaciones matemáticas para extraer patrones.
    -Capa de salida: Genera el resultado final (por ejemplo, el número identificado).
  • Pesos: Cada conexión entre nodos tiene un peso, que define la importancia de esa conexión. Los pesos se ajustan durante el entrenamiento.
red neuronal
https://data-universe.org/wp-content/uploads/2023/12/como-funcionan-las-redes-neuronales-explicacion-detallada-1.png. Arquitectura de una red neuronal (Dominio público)

Matemáticamente, cada capa realiza una operación de multiplicación matricial seguida por la aplicación de una función de activación, como muestra la siguiente fórmula:

red neuronal

Donde:

x: Vector de entrada.
W: Matriz de pesos.
b: Vector de sesgos.
f: Función de activación (por ejemplo, ReLU o sigmoid).
h: Salida de la capa.

3.2. Aprendizaje supervisado

pyninja. Diferencia entre aprendizaje supervisado y NO supervisado | Machine Learning 101

El aprendizaje supervisado implica entrenar una red neuronal con un conjunto de datos etiquetados. Cada entrada está asociada con una salida deseada. Durante el entrenamiento:

  • La red procesa las entradas y genera una salida.
  • Una función de pérdida calcula la diferencia entre la salida generada y la salida esperada.
  • Un algoritmo como backpropagation ajusta los pesos para minimizar esta pérdida.

Obra publicada con Licencia Creative Commons Reconocimiento Compartir igual 4.0

Creado con eXeLearning (Ventana nueva)