Redes neuronales feedforward

Una red neuronal feedforward es el tipo más sencillo de red neuronal artificial. En esta arquitectura, los datos fluyen en una sola dirección, desde la capa de entrada hasta la capa de salida, sin volver atrás.

Estructura de una red neuronal feedforward

Las redes feedforward constan de:

• Capa de entrada: Recibe los datos sin procesar.
• Capas ocultas: Realizan cálculos y extraen características.
• Capa de salida: Produce el resultado final.

Cada capa está completamente conectada con la siguiente.

Propagación hacia adelante

La propagación hacia adelante es el proceso de pasar los datos por la red:

1. Las entradas se multiplican por los pesos y se suman a los sesgos.
2. Se aplican funciones de activación para introducir no linealidad.
3. La salida se calcula y se pasa a la capa siguiente.

Construcción de una red feedforward sencilla

Creemos una red feedforward sencilla mediante Python. La red tiene:

• 2 neuronas de entrada
• 1 capa oculta con 3 neuronas
• 1 neurona de salida

import numpy as np

# Define weights and biases
weights_input_hidden = np.array([[0.2, 0.8, -0.5], [0.5, -0.91, 0.26]])
bias_hidden = np.array([2, 3, 0.5])
weights_hidden_output = np.array([[0.1], [-0.14], [0.5]])
bias_output = np.array([0.1])

# Input data
inputs = np.array([1, 2])

# Forward pass
hidden_layer = np.dot(inputs, weights_input_hidden) + bias_hidden
output = np.dot(hidden_layer, weights_hidden_output) + bias_output

print("Output:", output)

Entrenamiento de una red neuronal feedforward

El entrenamiento consiste en ajustar los pesos y sesgos para minimizar el error:

1. Calcular el error, es decir, la diferencia entre los valores predichos y reales.
2. Utilizar algoritmos de optimización, como el descenso del gradiente, para actualizar los pesos.
3. Repetir el proceso durante varias iteraciones (épocas).

Ventajas de las redes feedforward

Las redes feedforward son:

• Sencillas y fáciles de implementar.
• Eficaces para tareas como la regresión y la clasificación básica.
• Computacionalmente eficientes para conjuntos de datos pequeños.

Limitaciones de las redes feedforward

Las redes feedforward presentan algunas desventajas:

• Carecen de memoria para datos secuenciales.
• Son propensas al sobreajuste cuando hay pocos datos de entrenamiento.
• Requieren un ajuste cuidadoso de hiperparámetros, como la tasa de aprendizaje.

Aplicaciones en el mundo real

Las redes feedforward se utilizan en:

• Diagnóstico médico: Predicción de enfermedades a partir de los síntomas.
• Detección de fraude: Identificación de actividades sospechosas en transacciones financieras.
• Predicción del precio de las acciones: Estimación de los valores futuros de las acciones.

Resumen y próximos pasos

En esta lección:

• Hemos explorado la estructura y el funcionamiento de las redes neuronales feedforward.
• Hemos construido una red feedforward sencilla mediante Python.
• Hemos analizado las ventajas y limitaciones de esta arquitectura.

A continuación, profundizaremos en el algoritmo de retropropagación, que permite a las redes neuronales aprender eficazmente al optimizar los pesos y sesgos.