Conoce al perceptrón

Clase 14 de 18 • Curso de Funciones Matemáticas para Data Science e Inteligencia Artificial

Julian Castro Pulgarin

student•

Un dato curioso sobre la mielina: ¿Saben por qué no hacemos un corto circuito en nuestro cerebro con tantos impulsos electricos? o ¿Como hace para ir tan rapido la elctricidad por el axón? o ¿Por qué no pasa el impulso a otra neurona sabiendo que estan tan cerca? * Todo es gracias a la mielina

La mielina es un aislante natural que ayuda a la rapida conduccion de la electricidad por la neurona. Para aquellos que le guste lo tecnico: A lo largo de las fibras amielínicas, los impulsos se mueven continuamente como ondas, pero en las fibras mielinizadas, «saltan» o se propagan por conducción saltatoria. La mielina disminuye la capacitancia y aumenta la resistencia eléctrica a través de la membrana celular (axolema). Por lo tanto, la mielinización evita que la corriente eléctrica salga del axón.

César Andrés Santana Gereda

student•

Interesante

Javier Pajarito Caicedo

student•

La mielina es cómo el recubrimiento plástico que tienen los cables. LOL XD.

Rafael Arteaga

student•

El perceptrón simple es la red neuronal artificial más antigua. Su origen tuvo lugar en el año 1957 por el psicólogo Frank Rosenblatt, consistía en un clasificador binario o discriminador lineal, esto quiere decir que a partir de un entrenamiento con datos el perceptrón era capaz de reconocer patrones y tomar decisiones.

Juan R. Vergara M.

student•

Interesante dato

Jorge Guzman Suir

student•

Super interesante!. Muchas gracias por compartir esta dato

Tomás Retamal Venegas

student•

Señales de entrada: se asemejan a lo que en la vida real son los impulsos eléctricos. En la práctica representa características de lo que estamos modelando.
Pesos sinápticos: define la importancia de las señales de entrada mediante la asignación de una ponderación.
Unión sumadora: suma los resultados de las multiplicaciones entre las señales de entrada y los pesos sinópticos. Es una combinación lineal.
Función de activación: recibe la combinación lineal anterior para definir la salida de la neurona.

Marcelo Soto Moreno

student•

Personas que saben matemáticas hay "muchas", pero que además sean exelentes padagogos, reduce el dominio y que además sean empáticos, simpáticos y sencillos, lo restringe, aún más, entonces, cuando tenemos todas estas características en sincronía, el rango de la función da como resultado alumnos aprendiendo y satisfechos.

Quiero ser más categórico en decir que los profesores acá tienen un modelo, en hora buena, Enrique!!!!, felicitaciones!!!!.

Si las clases son de calidad, como en este caso, no se necesitan aportes con videos de Youtube, en las clases de Enrique no hay necesidad de ellos.

Eduard Giraldo Martínez

student•

Es muy cierto, muy pocas personas explican con tanto cariño. . Debo admitir que antes no me gustaba como explicaba el profesor (era un problema mío por ir siempre rápido). Pero ahora que aprendo con más calma, me doy de cuenta de este gran profesor que tenemos.

Muchas gracias Profe Enrique 🎇👾

Julian Castro Pulgarin

student•

Que increible! el paper del perceptrón se publicó en 1958 👴🏼 Han pasado 64 años y tenemos la tecnologia super avanzada!

María Eugenia Pereira Chévez

student•

Les recomiendo este video sobre redes neuronales para profundizar en el tema: https://youtu.be/MRIv2IwFTPg?list=PL-Ogd76BhmcB9OjPucsnc2-piEE96jJDQ

Gibran Alonso Pérez Favela

student•

wow si que quede sorprendido, esperemos con los sigfuientes cursos logremos ese tipo de trabajos !!!!

Antonio Demarco Bonino

student•

Elementos de un perceptrón:

Señal de entrada == Interpretar caracterítcias (color, precio, tamaño, calidad, fabricante, país de origen, etc) -> Se leen como 1 & 0
Peso sináptico == Ponderan el valor de la señal de entrada, le ponen un valor de que tan importante es la señal de entrada que acaba de entrar
Unión sumadora == Suma todos los valores de las Señales de entradas multiplicadas por sus respectivos Pesos sinápticos, y generamos una combinación lineal
Función de activación == El resultado de la Unión sumadora lo pasamos por aquí para que nos de un comportamiento NO lineal

francisco jaque

student•

gracias por el aporte .

Jhon Freddy Tavera Blandon

student•

En la siguiente imagen puede darse un modelo de perceptrón donde podemos distinguir las distintas entradas X, sus pesos W, el Valor de activación A que es el producto escalar del vector de entrada por el vector de pesos y la aplicación de la función de activación F al valor de activación de lo que podemos resumir en la siguiente ecuación:

y_p = f(\sum_{i}w_{i} \cdot x_i\ +\ b)

Ejemplo de perceptrón con polarización:

Jeinfferson Bernal G

student•

Elementos del Perceptron

Antonio Demarco Bonino

student•

Este es un ejemplo ESPECTACULAR y se complementa mucho con la clase del profe sobre los perceptrones: https://www.youtube.com/watch?v=6qulI6A90_Q&ab_channel=NataliaAcevedo

Gibran Alonso Pérez Favela

student•

la parte 2 por si las dudas. https://www.youtube.com/watch?v=uwbHOpp9xkc&list=PL-Ogd76BhmcB9OjPucsnc2-piEE96jJDQ&index=2

Eduard Giraldo Martínez

student•

Para las personas que les gusta más la parte visual y profundizar mucho más en el tema. Les recomiendo ver esta lista de reproducción del canal DotCSV.

Dónde explica detalladamente cómo se compone una red neuronal, que usos se les puede dar, datos curiosos, entre otras cosas más. Con la primera parte ya tendríamos bastante para entender, pero aquí estamos es para aprender. .

Te aseguro que no te quedarás con las ganas de ver el resto de los videos. 👾

Nixon Fernando Ortiz Suarez

student•

DotCSV se ha convertido en un referente de habla hispana de AI

José Rodrigo Arana Hi

student•

Perceptrón es la forma en que conocemos a una neurona artificial, compuesta por:

Señales de entrada, interpretar características. Por ejemplo, las características de un producto: precio, tamaño, marca, color, etc.
Pesos sinápticos. Lo que vamos a interpretar son 0 y 1 que es lo que los modelos de Machine Learning normalmente están preparadas para calcular. Pesos sinápticos son números encargados de ponderar qué tan importante es esa señal de entrada.
Unión sumadora. Va a sumar todas las operaciones ponderadas resultantes de la señal de entrada multiplicado por su peso sináptico. Se le llama combinación lineal a la suma de las operaciones, por lo que obtendremos una línea recta como salida, cosa que no nos dará una complejidad para dividir nuestros datos.
Función de activación. Debido a lo anterior, una salida con comportamiento lineal no nos ayudará de mucho, por lo que la función nos ayudará a darle un comportamiento no lineal.
Salida

Arelys Viloria

student•

La verdad hasta este curso me estaba aburriendo más o menitos y a duras penas lo estaba haciendo, pero a partir de esta clase me encantó. A los que llegaron hasta aquí, felicidades:

Dennis Ricardo López Morell

student•

Estaba en las mismas, se me hizó un poco pesado, pero no tanto porque no me guste sino por el hecho de que no había tanto material extra en los recursos.

Alfonso Palacio

student•

Dato curioso: Pienso que es curioso que hayamos descubierto estos algoritmos desde hace bastante tiempo, pero hace tan poco tengamos computo para utilizarlo y ver su eficacia, ¿creen que esta regla siga? o más bien, creen que la computacion superara nuestra capacidad de innovar?.

Eduard Giraldo Martínez

student•

Yo pienso que va a llegar un punto dónde la inteligencia artificial nos superará en todo sentido. No es algo qué está a la vuelta de la esquina, sin embargo; es algo que si le damos tiempo y no nos destruimos mutuamente antes de eso, puede llegar a suceder. 👾

¿Tú que piensas que pasaría Alfonso?

Arelys Viloria

student•

El perceptrón 🤓📰💚

Un perceptrón es una neurona artificial y una unidad básica de una red neuronal. El perceptrón simple es la red neuronal artificial más antigua, fue inventado por Frank Rosenblatt en 1957 en el laboratorio aeronáutico de Cornell. El perceptrón realiza cálculos para detectar características o tendencias en los datos de entrada, quiere decir que era capaz de detectar patrones y tomar decisiones. Es un algoritmo utilizado para el aprendizaje supervisado de clasificadores binarios. Con los perceptrones se crean redes neuronales (mirar la siguiente imagen), las cuales están compuestas por estas neuronas.

. ++Partes de un Perceptrón:++ .

Señales de entrada: El perceptrón recibe entradas numéricas, que pueden ser números reales o valores binarios. Estas entradas representan las características o atributos de los datos que se están procesando. Un ejemplo de esto podría ser un producto comercial, una de las entradas podría ser el color del producto, el tamaño, el precio, la calidad o el fabricante. Normalmente los datos que se le dan de entrada a los perceptrones se le dan en formato binario, porque es para lo que los modelos de machine learning están diseñados para calcular, pero existen muchos modelos y muchas variables.
Pesos sinápticos: Cada entrada está asociada a un peso, el cual determina la importancia o contribución de esa entrada en la salida del perceptrón. Los pesos pueden ser positivos o negativos y se ajustan durante el proceso de aprendizaje para optimizar el rendimiento del perceptrón. Los pesos sinapticos se multiplican por las señales de entrada.
Acción sumadora: A esta parte del proceso se le llama suma lineal, después de que se multiplican los pesos por la señales se suman completamente en esta parte, y al final vamos a tener una línea recta. en resumen, es el proceso de suma ponderada de las entradas del perceptrón, que luego se utiliza para determinar la salida del perceptrón. Uno de los problemas que hay con la suma lineal del perceptrón es que cuando tratamos de crear una red neuronal creamos muchos perceptrones, por lo cual, nosotros tendremos muchísimas muchas líneas rectas y después de sumarlas vamos a tener una linea recta, por lo tanto no nos va a otorgar tanta complejidad como para poder dividir nuestros datos, por lo que tenemos que agregar un paso y es el siguiente, que es una especie de filtro que le va a dar un comportamiento no lineal.
Función de activación: Esta función puede ser una función escalón, una función sigmoide u otra función no lineal, lo puedes ver como una composición de funciones. La función de activación introduce no linealidad en el perceptrón y permite que el modelo aprenda relaciones más complejas entre las entradas y las salidas.

Jhojan Ramirez

student•

Que increible es el perceptrón, estas clases son las que motivan aprender matemáticas.

Freddy Andrés Camargo Ocasión

student•

porqué él dijo que dentro de cada Perceptrón ingresan varios features y luego, en la red neuronal solo ingresa una señal de entrada por cada neurona?

Jhon Freddy Tavera Blandon

student•

Las neuronas naturales

Son las principales células del sistema nervioso.
Están especializadas en la recepción de estímulos y conducción del impulso nervioso. Para comprender un poco mejor cual fue la idea que propusieron la siguiente imagen contiene una neurona con sus partes fundamentales.

La idea de la neurona artificial

En 1943 McCulloch y Pitts propusieron un modelo de neurona artificial que modelaba aspectos físicos de las neuronas naturales como axón y dendritas. El modelo de neurona artificial que propusieron tenía una salida binaria que se obtenía a partir de los estados de las conexiones de entrada y de los pesos relativos de cada entrada. También se le agregaba una entrada adicional permanentemente activada a la que se la denominaba “bias” o polarización. Este modelo matemático trataba de semejar el funcionamiento de las neuronas naturales. Los resultados obtenidos en base al modelo de McCulloch y Pitts sirvieron de base para el futuro modelado de sistemas de redes neuronales.

Ariel Gómez Méndez

student•

Ya comenzó lo realmente interesante de este curso, lo que no se estudia en ninguna enseñanza preuniversitaria.

Daniela Rodriguez Golpe

student•

Componentes de un perceptrón

Señales de entrada: Representa las características de lo que estamos modelando (features) y son un tipo de dato binario (1 o 0).

Pesos sinápticos: define la importancia con la que van a ser procesadas las señales de entrada, mediante una ponderación de un valor peso.

Unión sumadora: Es una combinación lineal de la suma de los resultados de las multiplicaciones entre las señales de entrada y los pesos sinápticos.

Función de activación: Es una combinación de funciones que recibe la combinación lineal de la unión sumadora y actúa como filtro dándole un comportamiento no lineal, definiendo de esta forma la salida de la neurona.

Willy Da Conceicao

student•

Genial gracias por compartir tus apuntes