2. Fundamentos de las redes neuronales
Os expliqué en el aula cómo funciona una red neuronal.
Una neurona artificial es la unidad básica dentro de una red neuronal artificial, inspirada en el funcionamiento de una neurona biológica, pero modelada matemáticamente y controlada por software.
Su función es recibir las entradas, procesarlas (realizando una serie de operaciones matemáticas) y producir una salida. Estas operaciones matemáticas se resumen en tres:
1. Calcula la suma ponderada de las entradas multiplicadas por sus respectivos pesos entre conexiones.
Las neuronas se conectan entre si mediante conexiones (en la imagen de abajo estamos viendo neuronas densas, porque se conecta con todas las siguientes). Cada una de estas conexiones tiene un peso asignado y que podemos entender como el valor numérico que representa la importancia de la conexión.
2. A esa suma se le añade un valor numérico que recibe el nombre de sesgo y que le ayudará a ajustar la salida y permitir que la red aprenda padrones más complejos.
3. A esa función resultante de sumas de productos más el sesgo y que llamé z, se le aplica una función de activación, buscando introducir NO linealidades y permitiéndole aprender.
Estas son las funciones de activación más usuales:
NOTA: La función de activación tangente hiperbólica es similar a la sigmoide. La diferencia es que toma valores entre -1 y 1.
Esto podemos verlo en el siguiente gráfico:
En el gráfico también podemos ver que las redes neuronales se separan en capas y cada capa puede tener 1 o más neuronas. Como mínimo, una red neuronal debe tener la capa de entrada y la de salida. Y en redes más complejas podemos tener capas intermedias que se llamarán capas ocultas.
Todo esto se puede entender mejor visionando los siguientes dos vídeos del usuario Dot CSV:
Video 1: ¿Qué es una red neuronal? La neurona
Vídeo 2: ¿Qué es una red neuronal? La red