🔵Perceptron

Perceptrón, consta de tres componentes principales: las entradas, los pesos y la función de activación. Aquí tienes un ejemplo para ilustrar la arquitectura de una neurona artificial:

Supongamos que queremos construir una neurona que clasifique imágenes de animales como "perro" o "gato" en función de dos características: la altura y el peso del animal. En este caso, tendríamos dos entradas: una para la altura (x1) y otra para el peso (x2). Cada entrada está asociada a un peso (w1 y w2), que determina la importancia relativa de esa entrada en el proceso de toma de decisiones de la neurona.

La neurona calcula una suma ponderada de las entradas multiplicadas por sus respectivos pesos:

sumatoria = (x1 * w1) + (x2 * w2)

Luego, se aplica una función de activación para determinar la salida de la neurona. Por ejemplo, podríamos utilizar la función escalón unitario, que produce una salida binaria (1 o 0) en función de si la suma ponderada supera un umbral determinado:

salida = 1 si sumatoria >= umbral salida = 0 si sumatoria < umbral

En este caso, el umbral es el punto de corte que define si la neurona clasifica la entrada como "perro" o "gato".

Por ejemplo, supongamos que tenemos los siguientes valores para una neurona que clasifica animales:

• Peso: w1 = 0.5, w2 = -0.3

• Altura del animal: x1 = 0.6

• Peso del animal: x2 = 0.8

• Umbral: 0

Calculamos la suma ponderada:

sumatoria = (0.6 * 0.5) + (0.8 * -0.3) = 0.3 - 0.24 = 0.06

Luego, aplicamos la función de activación:

salida = 1 si sumatoria >= 0 salida = 0 si sumatoria < 0

En este caso, la sumatoria es mayor o igual a cero, por lo que la salida sería 1, lo que indica que la neurona clasifica el animal como un "perro".

Es importante destacar que este ejemplo es simplificado y utiliza una función de activación escalón unitario. En la práctica, se utilizan diversas funciones de activación y arquitecturas más complejas en las redes neuronales, pero este ejemplo básico ilustra los componentes esenciales de una neurona artificial.