Discusión sobre el artículo "Red neuronal en la práctica: Perceptrón"

[MetaQuotes]

Artículo publicado Red neuronal en la práctica: Perceptrón:

Este artículo presenta el perceptrón como base de una red neuronal y detalla su implementación en MQL5. Explicamos las funciones de activación y sus derivadas, la diferencia entre forward propagation y backpropagation, y el uso de la función de costo de mínimos cuadrados y del gradiente. Aprenderás a entrenar pesos y sesgos, validar el resultado mediante scripts de prueba y ajustar la tasa de aprendizaje para obtener una convergencia estable.

Aunque dividir este contenido en partes no es una de las tareas más sencillas, ya que se trata de un tema que exige familiarizarse con una enorme cantidad de elementos y conceptos, muchos de ellos completamente abstractos y otros bastante complicados porque utilizan los mismos términos en contextos diferentes, he intentado presentar el material de la forma más fácil de comprender posible.

Entre estos conceptos se encuentra el uso de los términos BACK PROPAGATION y FORWARD PROPAGATION, que normalmente se utilizan de forma indiscriminada, sin explicarlos debidamente. Para entender correctamente todo lo que se hace dentro del código de una red de perceptrones, necesitamos comprender cómo fueron surgiendo estos conceptos.

Por ahora no entraremos en ciertos detalles. Sin embargo, necesitamos entender cómo surgió el término red neuronal. Para ello, debemos comprender su fundamento, conocido como perceptrón, que es el tema principal de este artículo.

Autor: Daniel Jose