La neurona artificial
La inspiración biológica
McCulloch y Pitts copiaron la idea de la neurona: unas entradas que llegan por las dendritas se integran y, si superan cierto umbral, la célula se activa y emite por su axón. El modelo es binario y fijo, sin aprendizaje, pero fundó el campo.
Suma ponderada
Cada entrada se multiplica por un peso que expresa su importancia, y todo se suma con un sesgo. Esa combinación lineal es el corazón: los pesos son la memoria de la neurona y lo que el entrenamiento ajusta.
El umbral y la activación
La suma se compara con un umbral y una función de activación decide la salida. En el perceptrón clásico esa función es un escalón: activo o no, cero o uno, lo que lo vuelve un clasificador.
Como recta o plano
Geométricamente, un perceptrón traza una recta en dos dimensiones o un hiperplano en muchas para separar clases. Aprende moviendo ese plano hasta dejar de un lado las unas y del otro las otras.
El límite de la linealidad
- Puede separar lo que una recta separe: clases linealmente separables.
- No puede dibujar un círculo alrededor de una clase ni resolver la función XOR.
- Ese muro motivó apilar neuronas en varias capas con activaciones no lineales.
Aprender ajustando pesos
La regla del perceptrón premia o castiga los pesos según el error: si se equivoca, mueve el plano hacia la corrección. Con datos separables, la receta converge; con XOR, nunca termina de acertar.
Del perceptrón a la red
Una neurona es un clasificador lineal pobre, pero muchas conectadas con no linealidades entre capas forman un aproximador universal. La humildad de la unidad contrasta con la potencia del conjunto.
Errores frecuentes
- Creer que una neurona basta para cualquier tarea cuando solo sabe trazar un límite lineal.
- Pensar que la neurona «piensa» o entiende, cuando solo hace una suma ponderada y un test de umbral.
- Olvidar el sesgo y dejar el plano anclado al origen, incapaz de separar clases desplazadas.
Ejemplo resuelto: ¿una neurona separa XOR?
Dos entradas binarias y la puerta XOR, que enciende solo cuando las entradas difieren. Comprobemos si un perceptrón basta:
- Graficar las cuatro combinaciones: (0,0) y (1,1) en una clase, (0,1) y (1,0) en la otra.
- Notar que las dos clases quedan en diagonal opuesta, entrelazadas.
- Intentar una sola recta que las separe y ver que es imposible.
- Concluir que el perceptrón lineal no converge y que XOR no es separable linealmente.
- Añadir una capa oculta con no linealidad, que sí dibuja dos rectas y resuelve el problema.
¿Para qué sirve en la realidad?
Entender el límite de la neurona suelta explica por qué todo modelo profundo apila capas: cuando un problema no es linealmente separable, la solución no es una neurona mejor sino una red.
Una sola neurona con activación de escalón NO puede aprender correctamente cuando las clases:
En el modelo de McCulloch-Pitts original la neurona ya ajusta sus pesos aprendiendo de los errores.
Neurona
Ordena el cálculo de una neurona desde la entrada hasta la salida:
Entrada
Ponderar
Sumar
Activar
Perceptrón
Origen del clasificador lineal y su regla de aprendizaje.
Une cada elemento de la neurona con su papel.
De la aritmética a la decisión
# La neurona artificial ## Suma ponderada ### entradas por pesos ### más el sesgo ## Activación ### escalón binario ### decide disparar ## Geometría ### traza un hiperplano ### solo lineal ## Límite ### no resuelve XOR ### exige apilar capas
Neurona de McCulloch-Pitts
El modelo binario original que inspiró la neurona artificial.
Te dan dos clases dibujadas como dos medias lunas entrelazadas. ¿Una neurona bastará? Si no, ¿qué mínima arquitectura la haría separable y por qué?