Redes Neuronales: De la Biología a la neurona artificial - Ejemplo de aplicación conversión de unidades

Puede ver el video:

https://youtu.be/2Miny_WMltA

O bien continuar leyendo...

Conversión de Temperaturas entre las escalas Fahrenheit y Celcius.

Hola, querida comunidad. Hoy deseo invitarte a un recorrido por el fascinante mundo de las redes neuronales, esa herramienta que ha revolucionado múltiples campos gracias a su capacidad para aprender y modelar información compleja. En este artículo, desglosaremos el funcionamiento de una neurona digital a partir de un ejemplo práctico: la conversión entre grados Fahrenheit y grados Celsius. Más adelante, ampliaremos la exploración a una red con dos capas de tres neuronas cada una.

De la Biología a lo Digital: Una Breve Analogía

En nuestro cerebro, las neuronas son las encargadas de procesar la información. Cada una posee estructuras esenciales:

Dendritas: reciben impulsos eléctricos.

Axón: transmite las señales.

Terminales axónicas: conectan con las dendritas de otras neuronas, formando una extensa red.

Cuando el impulso eléctrico alcanza un umbral de activación, la neurona transmite información a otras, permitiendo la coordinación de funciones complejas y el procesamiento cognitivo.

Utilización de una neurona artificial

En contraste, en las neuronas digitales el funcionamiento es más complejo y poderoso. A diferencia de las neuronas biológicas que solamente transmiten un impulso eléctrico permitiéndole su continuidad, las neuronas artificiales realizan dos operaciones matemáticas y obtienen un nivel o grado a la salida. Básicamente:

Recepción de datos: Se reciben valores numéricos, por ejemplo, una temperatura en Fahrenheit.

Cálculo ponderado: Cada dato se multiplica por un peso (W) y, tras sumar todos estos valores, se le suma un sesgo (bias o B).

Función de activación: Dependiendo del diseño del sistema, se puede aplicar una función no lineal para "activar" la neurona.

Salida: Se emite un resultado, en este caso, la temperatura convertida a grados Celsius.

Esta simple operación de suma ponderada es la base de una red neuronal más compleja.

La Primera Etapa: Una Única Neurona para Convertir Temperaturas

Imaginemos la tarea de convertir Fahrenheit a Celsius. Sabemos que existe una relación lineal:

𝐶 = (𝐹 − 32 ) × 0.555...

Para entrenar una neurona digital que realice esta conversión, se procede de la siguiente manera:

Entrada: Se introduce el valor en grados Fahrenheit.

Parámetros a ajustar: La neurona aprenderá automáticamente los coeficientes, es decir, el peso (W₁) y el sesgo (B).

Proceso de entrenamiento:

Se utiliza un conjunto de datos de entrenamiento.

Se define el número de epochs (iteraciones), por ejemplo, 400 o 1000, durante el cual el sistema ajusta sus parámetros para minimizar el error.

La disminución progresiva del error indica que la neurona se aproxima a la relación real entre Fahrenheit y Celsius.

Durante el entrenamiento, se puede observar cómo, a medida que incrementa el número de iteraciones, el sistema se vuelve más preciso. Sin embargo, también se evidencia que un entrenamiento excesivo (sobreentrenamiento) puede resultar contraproducente en problemas donde los datos no siguen una distribución lineal perfecta.

Un ejemplo práctico mostró que, tras 400 iteraciones, se alcanzaron coeficientes aproximados (W₁ cercano a 0.555 y B cerca de -17.7). Además, se evidenció el impacto en recursos computacionales: mientras 200 epochs consumían menos memoria y tiempo, 1000 iteraciones proporcionaban resultados más refinados, evidenciando la clásica dicotomía entre tiempo de entrenamiento y velocidad de ejecución del modelo pre-entrenado.

Expansión del Modelo: Redes Neuronales con Capas Ocultas

El siguiente paso en este ejercicio es ampliar la complejidad y capacidad del modelo implementando una red neuronal con dos capas ocultas, cada una compuesta por tres neuronas. La estructura se puede visualizar de la siguiente manera:

             Entrada (Fahrenheit)

Primera capa oculta (3 neuronas)

Segunda capa oculta (3 neuronas)

Tercera capa (1 neurona)

             Salida (Celsius)

En este sistema se manejan varios parámetros:

Pesos y sesgos para la primera capa: Cada uno de los tres nodos recibe el valor de Fahrenheit, con sus respectivos pesos y bias.

Conexiones entre capas ocultas: Entre la primera y la segunda capa existen múltiples conexiones (por ejemplo, tres por cada nodo, totalizando nueve pesos) y tres sesgos, uno por cada neurona de destino asociada.

Capa de salida: Finalmente, la neurona que proporciona la conversión a Celsius cuenta con también sus propios pesos y un sesgo.

Observaciones del experimento:

Con 500 iteraciones, el modelo se aproxima a los valores esperados (por ejemplo, 0°C para 32°F y -40°C para -40°F).

Aumentar el número de iteraciones (como llegar a 2000 epochs) mejora la exactitud, siempre manteniendo el equilibrio para evitar el sobreentrenamiento.

Este ejercicio ilustra la robustez del modelo en problemas lineales, aunque recalca la importancia de detener el entrenamiento en un punto óptimo para procesos más complejos y no lineales.

La ventaja de utilizar modelos pre-entrenados es que, una vez aprendidos todos los parámetros, la aplicación práctica se vuelve instantánea, permitiendo utilizar la red sin necesidad de reentrenarla cada vez.

Reflexiones Finales

La exploración que hemos realizado demuestra la esencia de cómo funcionan las redes neuronales: desde una única neurona que efectúa cálculos sencillos hasta sistemas más complejos con múltiples capas que permiten modelar relaciones complejas en los datos. Este ejercicio práctico, aprovechando la conversión de Fahrenheit a Celsius, no solo ilustra el proceso de entrenamiento y ajuste, sino también la importancia de balancear la iteración y la eficiencia computacional.

Más aún, nos invita a apreciar la evolución de la inteligencia artificial, donde conceptos inspirados en la biología se transforman en herramientas poderosas para el procesamiento de la información. Aunque las neuronas digitales no replican la complejidad del cerebro humano, su simplicidad operativa ha permitido desarrollos sorprendentes, siempre en constante revisión y mejora.

Cada paso en este proceso nos recuerda que el aprendizaje, ya sea en un modelo de redes neuronales o en la vida misma, implica ajustes, pruebas y un fino equilibrio entre la teoría y la práctica. Y es precisamente ese equilibrio el que nos permite transformar ideas en resultados concretos y útiles.

Si te ha gustado este recorrido, hay mucho más por explorar: desde la optimización de algoritmos de activación hasta la implementación de redes neuronales profundas en problemas no lineales. La travesía por el mundo de la inteligencia artificial apenas comienza, y te invito a seguir descubriendo nuevos desafíos y aprendizajes en este apasionante campo. ¡Hasta la próxima!