Temario Lección 99 de 250 · Intuición de redes neuronales, LLM y proyecto final de IA
Intuición de redes neuronales, LLM y proyecto final de IA

Una neurona desde cero

Todo el aprendizaje profundo se construye con una pieza diminuta: la neurona artificial. Hace tres cosas, en orden.

  • Suma ponderada. Multiplica cada entrada por su propio peso y súmalas. Un peso dice cuánto importa esa entrada.
  • Suma un sesgo. Un solo número que desplaza el resultado hacia arriba o hacia abajo, como un término independiente.
  • Activación. Comprime el resultado con una función no lineal para que la neurona pueda expresar algo más que una línea recta.

Una activación clásica es la sigmoide, que lleva cualquier número a un valor entre 0 y 1 (práctico para las probabilidades):

sigmoid(z) = 1 / (1 + e^(-z))

Algunos puntos de referencia: sigmoid(0) es exactamente 0.5, las entradas positivas grandes se acercan a 1 y las negativas grandes se acercan a 0. Júntalo todo y una neurona es simplemente:

import numpy as np

def neuron(x, w, b):
    z = np.dot(x, w) + b      # weighted sum + bias
    return 1 / (1 + np.exp(-z))  # sigmoid activation

np.dot(x, w) hace la multiplicación y la suma de todo el vector de entrada de una vez. Esa es toda la idea. Apila miles de estas, entrena los pesos, y tienes una red neuronal.

Tu turno

Implementa neuron(x, w, b) con numpy. Calcula la suma ponderada np.dot(x, w), suma el sesgo b y devuelve la sigmoide de eso. Luego asigna out = neuron(x, w, b) para los x, w y b dados.

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.