Notas Sesión 2

Date

September 8, 2026

Estado

Publicado

Obligatoriedad

Semana

Semana 4

Tipo

Notas de clase

Last edited by

Miss Pili Piñones

Last edited time

Sep 9, 2026 1:28 AM

N

2.5

Concepto

Neurona artificial.

Lo que entendí

• Analogía Biológica: Así como las neuronas biológicas usan el soma y el axón para transmitir impulsos eléctricos mediante sinapsis , la neurona artificial utiliza nodos y relaciones matemáticas para procesar información .
• Componentes del Perceptrón:
• Inputs (x): Variables independientes que ingresan al sistema .
• Pesos (w): Ponderaciones que asignan prioridad o importancia a cada entrada .
• Suma y Sesgo (Bias / $\theta$ ): El nodo suma los inputs ponderados y aplica un valor de sesgo que ajusta el umbral de activación .
• Función de Activación: Define si la salida final es un 0 o 1, determinando si la siguiente neurona en la red se activa .
• Redes Neuronales y Probabilidad: La IA no "sabe" la respuesta, sino que sigue caminos probabilísticos a través de capas (entrada, ocultas y salida) para refinar un resultado .
• Entrenamiento por Refuerzo: El modelo ajusta el sesgo basándose en el error (diferencia entre el resultado obtenido y el esperado) mediante iteraciones y una tasa de aprendizaje .
• Falibilidad: Los detectores de IA no son 100% confiables porque solo miden qué tanto se ajusta un texto a los patrones de probabilidad comunes en los datos de entrenamiento .

Must know

• Diferencia entre neurona biológica y artificial: Identificar soma $\rightarrow$ nodo, sinapsis $\rightarrow$ pesos/relaciones .
• Funcionamiento del Perceptrón:
• El rol de los pesos (ponderación de inputs) .
• El rol del sesgo/bias (ajuste del umbral de activación) .
• El propósito de la función de activación (binarizar la salida) .
• Conceptos de Redes: Definición de modelos multicapa y cómo el procesamiento de información se refina capa por capa (ej. de píxeles a rasgos faciales) .
• Lógica de Activación:
• Umbral = 1: Se activa si al menos un input es verdadero (Función OR) .
• Umbral = 2: Se activa solo si ambos inputs son verdaderos (Función AND) .
• Entrenamiento: Relación entre el error y el ajuste del sesgo en el aprendizaje por refuerzo .