Redes neuronales de propagación hacia adelante

Una red neuronal de propagación hacia adelante 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 de propagación hacia adelante

Las redes de propagación hacia adelante 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. Se calcula la salida y se pasa a la siguiente capa.

Construcción de una red sencilla de propagación hacia adelante

Crearemos una red sencilla de propagación hacia adelante con 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 de propagación hacia adelante

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

1. Calcular el error (la diferencia entre los valores previstos y los 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 de propagación hacia adelante

Las redes de propagación hacia adelante son:

• Sencillas y fáciles de implementar.
• Eficaces para tareas como la regresión y la clasificación básica.
• Eficientes desde el punto de vista computacional para conjuntos de datos pequeños.

Limitaciones de las redes de propagación hacia adelante

Las redes de propagación hacia adelante presentan algunos inconvenientes:

• No tienen memoria para datos secuenciales.
• Son propensas al sobreajuste cuando se dispone de pocos datos de entrenamiento.
• Requieren un ajuste cuidadoso de hiperparámetros como la tasa de aprendizaje.

Aplicaciones en el mundo real

Las redes de propagación hacia adelante se utilizan en:

• Diagnóstico médico: Predicción de enfermedades a partir de los síntomas.
• Detección de fraudes: 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:

• Se exploraron la estructura y el funcionamiento de las redes neuronales de propagación hacia adelante.
• Se construyó una red sencilla de propagación hacia adelante con Python.
• Se analizaron las ventajas y limitaciones de esta arquitectura.

A continuación, se estudiará el algoritmo de retropropagación, que permite a las redes neuronales aprender eficazmente mediante la optimización de pesos y sesgos.