🧬 Perceptrón
Unidad básica: recibe entradas x, las multiplica por pesos w, suma y pasa por una función de activación. Si la suma supera un umbral, se activa. El perceptrón simple solo puede separar datos linealmente.
🏗️ MLP (Multi-Layer Perceptron)
Varias capas de neuronas: entrada, ocultas y salida. Cada neurona de una capa se conecta con todas las de la siguiente. Con al menos una capa oculta y activación no lineal, puede aproximar cualquier función.
🔄 Backpropagation
Algoritmo que ajusta los pesos propagando el error hacia atrás. Calcula el gradiente del error respecto a cada peso usando la regla de la cadena. Combinado con gradiente descendente, optimiza la red.
🔌 Dropout y Regularización
Dropout apaga aleatoriamente un porcentaje de neuronas en cada iteración para evitar que la red se vuelva dependiente de unas pocas. También se usan L1/L2 y Batch Normalization.
Explora los conceptos con ejemplos practicos disponibles en la simulacion interactiva de este modulo.
Intuicion
El ML permite a las computadoras aprender patrones de los datos sin ser programadas explicitamente para cada tarea.
Formula clave
Cada algoritmo tiene una funcion de perdida que optimiza durante el entrenamiento.
Paso a paso
El proceso sigue pasos: datos, modelo, entrenamiento, evaluacion.
Error comun: Data leakage
Cuando informacion del test afecta al entrenamiento: validacion invalida.
Ejemplo concreto
Aplica ML a problemas reales de clasificacion y regresion.
Conexion
ML se construye sobre estadistica inferencial y predictiva.