El aprendizaje profundo, una rama del aprendizaje automático, ha revolucionado el campo de la inteligencia artificial, permitiendo avances significativos en el procesamiento del lenguaje natural, reconocimiento de imágenes, y más. En el corazón de estos avances se encuentra una estructura inspirada en el cerebro humano: la red neuronal artificial. Para comprender las complejidades del aprendizaje profundo, es esencial empezar con su unidad básica de construcción: el perceptrón.
¿Qué es un Perceptrón?
El perceptrón es un modelo matemático que simula el comportamiento de una neurona biológica. Fue propuesto por Frank Rosenblatt en 1957 como un tipo de clasificador binario, lo que significa que puede decidir entre dos clases. La estructura de un perceptrón es simple: recibe múltiples entradas (señales de otras neuronas o datos de entrada), las procesa aplicando pesos (importancia) a cada entrada, las suma y luego aplica una función de activación para producir una salida. Si esta salida supera un cierto umbral, el perceptrón se activa y envía una señal (por ejemplo, 1); si no, permanece inactivo (envía 0).
Funcionamiento del Perceptrón
El perceptrón toma vectores de características de entrada y calcula su producto punto con un vector de pesos , agregando un término de sesgo . La fórmula es la siguiente:
donde es la función de activación, que suele ser una función escalón. Es decir, la función de activación produce 1 si es mayor o igual que 0, y produce 0 en caso contrario.
Aprendizaje del Perceptrón
El aprendizaje en un perceptrón ocurre ajustando los pesos y el sesgo basado en los errores de las predicciones. Para un conjunto de entrenamiento con ejemplos de entrada y salidas deseadas, el perceptrón se ajusta mediante el algoritmo de aprendizaje de perceptrón, que iterativamente realiza lo siguiente:
- Calcula la salida para un ejemplo de entrada.
- Compara la salida calculada con la salida deseada.
- Actualiza los pesos y el sesgo si hay un error en la predicción.
Perceptrones Simples para Funciones Lógicas
Un uso interesante y educativo del perceptrón es modelar operaciones lógicas básicas como NOT, AND y OR. Estos ejemplos son fundamentales porque demuestran la capacidad del perceptrón para aprender patrones simples de decisión.
- NOT: Solo necesita una entrada. Invierte su valor.
- AND: Devuelve 1 si ambas entradas son 1.
- OR: Devuelve 1 si al menos una entrada es 1.
Implementación en Python de Perceptrones para NOT, AND, OR
Vamos a implementar estos perceptrones en Python, mostrando cómo se pueden utilizar para modelar estas operaciones lógicas básicas.
import numpy as np # Función de activación: función escalón def step_function(x): return np.where(x>=0, 1, 0) # Perceptrón class Perceptron: def __init__(self, input_size, threshold=100, learning_rate=0.1): self.weights = np.zeros(input_size + 1) # +1 para el sesgo self.threshold = threshold self.learning_rate = learning_rate def predict(self, inputs): summation = np.dot(inputs, self.weights[1:]) + self.weights[0] return step_function(summation) def train(self, training_inputs, labels): for _ in range(self.threshold): for inputs, label in zip(training_inputs, labels): prediction = self.predict(inputs) self.weights[1:] += self.learning_rate * (label - prediction) * inputs self.weights[0] += self.learning_rate * (label - prediction) # Datos de entrenamiento para AND inputs = np.array([[0,0], [0,1], [1,0], [1,1]]) labels_and = np.array([0, 0, 0, 1]) # Entrenamiento del perceptrón para AND perceptron_and = Perceptron(input

Comentarios
Publicar un comentario