Perceptrón Simple: Ejemplos NOT, AND, OR

Perceptrón Simple: Ejemplos NOT, AND, OR

El perceptrón es una de las piedras angulares del aprendizaje automático y la inteligencia artificial, proporcionando la base para redes neuronales más complejas. Este post explora el perceptrón simple a través de ejemplos concretos: las operaciones lógicas NOT, AND y OR. Abordaremos este tema desde el enfoque de competencias, desglosando el contenido en conocimientos conceptuales, habilidades procedimentales a través de un script de Python, y finalmente, reflexiones sobre actitudes y valoraciones.

Contenido: Conocimientos Conceptuales – Marco Teórico

¿Qué es un Perceptrón?

El perceptrón es un tipo de red neuronal artificial inventado en 1957 por Frank Rosenblatt. Se puede considerar como la forma más simple de una red neuronal: un modelo de un solo neurón con entradas, pesos, un sesgo, y una función de activación. Es capaz de realizar tareas de clasificación binaria, aprendiendo de los datos de entrada para tomar decisiones sí/no (por ejemplo, 1 o 0).

Operaciones Lógicas con Perceptrones

Las operaciones lógicas como NOT, AND, y OR son fundamentales en la computación y pueden ser fácilmente modeladas con perceptrones simples. Estas operaciones toman entradas binarias (0 o 1) y producen una salida binaria basada en la operación:

NOT: Es una operación unaria (tiene una sola entrada) que invierte el valor de su entrada.
AND: Es una operación binaria que devuelve 1 solo si ambas entradas son 1.
OR: También es una operación binaria, pero devuelve 1 si al menos una de las entradas es 1.

Script Python: Habilidades – Procedimientos

A continuación, presentamos un script en Python que modela el comportamiento de las operaciones NOT, AND y OR utilizando perceptrones simples.

import numpy as np

# Función de activación: Escalón
def step_function(x):
    return np.where(x>=0, 1, 0)

# Perceptrón NOT
def perceptron_not(x):
    weight = -1
    bias = 0.5
    return step_function(weight * x + bias)

# Perceptrón AND
def perceptron_and(x1, x2):
    weights = np.array([1, 1])
    bias = -1.5
    return step_function(np.dot(weights, [x1, x2]) + bias)

# Perceptrón OR
def perceptron_or(x1, x2):
    weights = np.array([1, 1])
    bias = -0.5
    return step_function(np.dot(weights, [x1, x2]) + bias)

# Ejemplos de uso
print("NOT(1) =", perceptron_not(1))
print("AND(1, 0) =", perceptron_and(1, 0))
print("OR(1, 0) =", perceptron_or(1, 0))

Este script define una función de activación simple (la función escalón), y luego implementa los tres perceptrones para las operaciones NOT, AND y OR, respectivamente. Los pesos y sesgos están configurados para reflejar la lógica de cada operación.

Conclusiones: Actitudes y Valoraciones

El estudio y comprensión del perceptrón simple no solo nos proporciona una herramienta fundamental en el campo de la inteligencia artificial, sino que también fomenta una actitud de curiosidad y apreciación hacia la capacidad de modelar procesos de decisión y lógica con sistemas computacionales. A través de ejemplos prácticos como los desarrollados, se valora la elegancia con la que conceptos matemáticos y computacionales se unen para resolver problemas de clasificación binaria.

Actitudes Promovidas:

Curiosidad y Experimentación: La implementación práctica de conceptos teóricos incentiva la exploración y el aprendizaje activo.

Resolución de Problemas: La adaptación de los pesos y sesgos para modelar diferentes operaciones lógicas refuerza la habilidad de resolver problemas de manera creativa.

Valoraciones:

Importancia de Fundamentos: Este ejercicio demuestra cómo los conceptos básicos de la inteligencia artificial pueden tener aplicaciones amplias y profundas.
Aplicabilidad: La capacidad de modelar operaciones lógicas simples abre la puerta a sistemas más complejos y a la solución de problemas más sofisticados.

En resumen, el perceptrón simple es una herramienta poderosa y versátil en el arsenal de cualquier persona interesada en el aprendizaje automático. A través de la comprensión y aplicación de este modelo, podemos empezar a apreciar la complejidad y belleza de la inteligencia artificial, preparando el camino para exploraciones más profundas en este fascinante campo.