Comprender el funcionamiento interno de un perceptrón simple y cómo se entrena para resolver un problema linealmente separable: la puerta lógica AND.

• Computadora con Python instalado (versión 3.6 o superior)

• Editor de código (como VS Code, Thonny o Jupyter Notebook)

• Biblioteca numpy instalada (pip install numpy si no se tiene)

import numpy as np

# Datos de entrada para la compuerta AND (X1, X2)
entradas = np.array([[0, 0],
                     [0, 1],
                     [1, 0],
                     [1, 1]])

# Salida esperada para cada combinación de entrada
salidas = np.array([[0], [0], [0], [1]])

# Inicializamos pesos y bias de forma aleatoria
pesos = np.random.rand(2, 1)  # Dos entradas, una salida
bias = np.random.rand(1)
tasa_aprendizaje = 0.1

def activacion(x):
    return 1 if x >= 1 else 0

# Entrenamiento por 10 épocas
for epoca in range(10):
    print(f"Época {epoca + 1}")
    for x, y_esperado in zip(entradas, salidas):
        salida_neta = np.dot(x, pesos) + bias
        salida_obtenida = activacion(salida_neta)

        # Cálculo del error
        error = y_esperado - salida_obtenida

        # Actualización de pesos y bias
        pesos += tasa_aprendizaje * error * x.reshape(2, 1)
        bias += tasa_aprendizaje * error
        print(f" Entrada: {x}, Esperado: {y_esperado[0]}, Obtenido: {salida_obtenida}")

print("\n--- Prueba final ---")
for x in entradas:
    salida_neta = np.dot(x, pesos) + bias
    salida_obtenida = activacion(salida_neta)
    print(f" Entrada: {x} → Salida: {salida_obtenida}")

Después del entrenamiento, el perceptrón debe haber aprendido que solo cuando ambas entradas son 1, la salida es 1 (como la compuerta AND). Puedes observar cómo los pesos se ajustan automáticamente para lograr esto.

Puedes acceder al código completo aca.

Comprender el funcionamiento interno de un perceptrón simple y cómo se entrena para resolver un problema linealmente separable: la puerta lógica AND.

• Computadora con Python instalado (versión 3.6 o superior)

• Editor de código (como VS Code, Thonny o Jupyter Notebook)

• Biblioteca numpy instalada (pip install numpy si no se tiene)

import numpy as np

# Datos de entrada para la compuerta AND (X1, X2)
entradas = np.array([[0, 0],
                     [0, 1],
                     [1, 0],
                     [1, 1]])

# Salida esperada para cada combinación de entrada
salidas = np.array([[0], [0], [0], [1]])

# Inicializamos pesos y bias de forma aleatoria
pesos = np.random.rand(2, 1)  # Dos entradas, una salida
bias = np.random.rand(1)
tasa_aprendizaje = 0.1

def activacion(x):
    return 1 if x >= 1 else 0

# Entrenamiento por 10 épocas
for epoca in range(10):
    print(f"Época {epoca + 1}")
    for x, y_esperado in zip(entradas, salidas):
        salida_neta = np.dot(x, pesos) + bias
        salida_obtenida = activacion(salida_neta)

        # Cálculo del error
        error = y_esperado - salida_obtenida

        # Actualización de pesos y bias
        pesos += tasa_aprendizaje * error * x.reshape(2, 1)
        bias += tasa_aprendizaje * error
        print(f" Entrada: {x}, Esperado: {y_esperado[0]}, Obtenido: {salida_obtenida}")

print("\n--- Prueba final ---")
for x in entradas:
    salida_neta = np.dot(x, pesos) + bias
    salida_obtenida = activacion(salida_neta)
    print(f" Entrada: {x} → Salida: {salida_obtenida}")

Después del entrenamiento, el perceptrón debe haber aprendido que solo cuando ambas entradas son 1, la salida es 1 (como la compuerta AND). Puedes observar cómo los pesos se ajustan automáticamente para lograr esto.

Puedes acceder al código completo aca.