En este post, vamos a sumergirnos en el fascinante mundo del Deep Learning resolviendo un problema práctico: predecir el precio de frutas en base a su tamaño y color. No te preocupes si eres nuevo en esto; primero vamos a entender el proceso matemático paso a paso, y luego lo implementaremos en código utilizando Python. ¡Comencemos!
Imagina que tenemos un dataset con información sobre frutas, como su tamaño (x₁), color (x₂), y el precio que queremos predecir (y). Nuestro objetivo es construir una red neuronal que aprenda a predecir el precio basado en las características de las frutas.
Imaginemos este pequeño dataset de 4 frutas:
Diseñar y entrenar una red neuronal para predecir el precio de una fruta utilizando dos características de entrada: tamaño (x₁) y color (x₂).
Valores iniciales:
w1 = 0.5 –> este es el peso para la entrada x1
w2 = 0.5 –> este es el peso para la entrada x2
b = 0.1 –> es el sesgo o bias, que ajusta la salida de la red.
(α) o (η) = 0.01 –> tasa de aprendizaje
El Proceso Matemático Paso a Paso
1. Predicción (Forward Pass)
Para calcular la predicción (y_pred) , usamos una fórmula sencilla:
\[ y_{\text{pred}} = (w_1 \cdot x_1) + (w_2 \cdot x_2) + b \]
Donde:
- w1 y w2 son los pesos de las entradas x1 y x2
- x1 y x2 son las características de entrada.
- b es el bias, que ajusta la salida de la red.
Esta fórmula es la base de cómo las redes neuronales realizan predicciones.
