> For the complete documentation index, see [llms.txt](https://red-neuronal-artificial.gitbook.io/neuronas/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://red-neuronal-artificial.gitbook.io/neuronas/contenido/1.-introduccion-a-las-redes-neuronales./1.1-arquitectura-de-una-neurona-artificial/perceptron.md).

# Perceptron

Perceptrón, <mark style="color:blue;">consta de tres componentes principales</mark>: <mark style="color:green;">las entradas, los pesos y la función de activación</mark>. Aquí tienes un ejemplo para ilustrar la arquitectura de una neurona artificial:

Supongamos que queremos construir una neurona que clasifique imágenes de animales como <mark style="color:blue;">"perro" o "gato"</mark> en función <mark style="color:blue;">de dos características</mark>: <mark style="color:green;">la altura y el peso del animal</mark>. <mark style="color:red;">En este caso, tendríamos dos entradas: una para la altura (x1) y otra para el peso (x2)</mark>. Cada entrada está <mark style="color:blue;">asociada a un peso (w1 y w2)</mark>, 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:

<mark style="color:green;">sumatoria = (x1 \* w1) + (x2 \* w2)</mark>

Luego, <mark style="color:blue;">se aplica una función de activación</mark> 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:

<mark style="color:green;">salida = 1 si sumatoria >= umbral salida = 0 si sumatoria < umbral</mark>

En este caso, <mark style="color:blue;">el umbral es el punto de corte que define si la neurona clasifica la entrada como "perro" o "gato".</mark>

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

* <mark style="color:red;">Peso: w1 = 0.5, w2 = -0.3</mark>
* <mark style="color:red;">Altura del animal: x1 = 0.6</mark>
* <mark style="color:red;">Peso del animal: x2 = 0.8</mark>
* <mark style="color:red;">Umbral: 0</mark>

<mark style="color:blue;">Calculamos la suma ponderada:</mark>

<mark style="color:green;">sumatoria = (0.6 \* 0.5) + (0.8 \* -0.3) = 0.3 - 0.24 = 0.06</mark>

Luego, <mark style="color:blue;">aplicamos la función de activación</mark>:

<mark style="color:green;">salida = 1 si sumatoria >= 0 salida = 0 si sumatoria < 0</mark>

<mark style="color:red;">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".</mark>

<mark style="color:purple;">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.</mark>


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://red-neuronal-artificial.gitbook.io/neuronas/contenido/1.-introduccion-a-las-redes-neuronales./1.1-arquitectura-de-una-neurona-artificial/perceptron.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.