Logo/
Log in

Make a lecture like this from your own PDF

Drop a PDF, slides or notes here. You'll sign up, then yours starts.

0:00 / 2:30

0:00 / 2:30De datos a predicción
Cómo funcionan las redes neuronales

Summary

Full transcript

0:00¿Cómo puede una red neuronal convertir unos pocos datos en una decisión? Pensemos en un caso sencillo: queremos decidir si una persona aprobará un examen usando sus horas de estudio y su asistencia. La red empieza con las entradas: dos números que describen el caso. Esas señales viajan por conexiones hacia una capa oculta. Cada conexión tiene un peso, que indica cuánto influye una señal, y cada neurona combina las señales y produce una activación: una respuesta que puede pasar a la siguiente capa. También existe un sesgo, una pequeña corrección que permite desplazar el punto a partir del cual la neurona se activa. La capa de salida reúne lo que ha ocurrido y produce una predicción, por ejemplo, una probabilidad de aprobar. La idea clave es que la red no contiene una regla escrita como “si estudia más de seis horas, aprueba”. Construye una regla distribuida en muchas conexiones. Por eso hablamos de capas: la primera recibe rasgos, las intermedias transforman esas señales y la última expresa la decisión. En resumen, una red neuronal es un flujo de transformaciones conectadas: entradas, combinaciones y una salida que podemos interpretar como predicción.

1:13Pero al principio, esas conexiones no saben cuánto deben influir. Aquí aparece el entrenamiento. Mostramos a la red un ejemplo cuya respuesta conocemos: las horas de estudio, la asistencia y el resultado real del examen. La red calcula su predicción y la comparamos con la respuesta correcta. Esa diferencia es el error. Si predice “aprobar” cuando la persona no aprobó, sus pesos deben cambiar; si predice demasiado poco cuando sí aprobó, deben cambiar en la otra dirección. El ajuste se repite con muchos ejemplos. En cada vuelta, la red modifica ligeramente sus conexiones para que el error promedio disminuya. No memoriza una frase concreta: busca patrones que se repiten, como que más estudio suele ayudar, aunque la asistencia también importe. Después llega la prueba decisiva. Le damos una persona nueva, que no formaba parte de los ejemplos de entrenamiento. Sus datos atraviesan las mismas capas y la salida produce una nueva predicción. Si funciona bien, no es porque haya visto exactamente ese caso, sino porque aprendió una relación útil entre las entradas y el resultado. Quédate con este ciclo: introducir datos, transformar señales, comparar con la respuesta y ajustar los pesos. La red aprende precisamente de esa corrección repetida.

Ask AI about this video

Answers cite the source. Free account, no credit card.