1) ¿Qué es una red neuronal?

Una red neuronal artificial es un conjunto de “neuronas” (bloques matemáticos) conectadas por pesos. Cada neurona recibe entradas, las multiplica por sus pesos, suma un bias y aplica una función de activación para producir una salida.

La idea básica

  • Peso (w): qué tanto influye una entrada.
  • Bias (b): empuja la salida hacia arriba o abajo.
  • Activación: regla que decide la salida (por ejemplo, sigmoid o ReLU).

Una sola neurona puede separar cosas simples; muchas neuronas en capas aprenden patrones complejos (imágenes, audio, texto).

2) ¿Cómo “aprende”?

  • Aprendizaje supervisado: la red ve ejemplos con respuesta correcta (etiquetas).
  • Función de pérdida: mide qué tan mal se equivocó.
  • Backpropagation: reparte el error hacia atrás y ajusta pesos y bias para reducir la pérdida.
  • Época, batch y tasa de aprendizaje: una época recorre el dataset; el batch es el tamaño de mini-lotes; la tasa (learning rate) define qué tan grandes son los ajustes.

Generalización

  • Overfitting: memoriza el entrenamiento y falla con nuevos datos.
  • Cómo prevenir: más datos, regularización, early stopping, dividir en train/valid/test.

Glosario

Demo: neurona con 2 entradas

Ajusta entradas (x1, x2), pesos (w1, w2) y bias (b). Cambia la activación para ver la salida.

Activación

Resultado

z = w1·x1 + w2·x2 + b

Salida y:

Videos recomendados

Quiz (5 preguntas aleatorias)

Al terminar, verás tu puntaje y puedes repetir con otro set.