1
00:00:07,840 --> 00:00:11,560
En esta lección aprenderás de manera intuitiva

2
00:00:11,560 --> 00:00:14,500
por qué las redes neuronales pueden generar aprendizaje

3
00:00:14,500 --> 00:00:16,520
y utilizarse para realizar predicciones,

4
00:00:16,840 --> 00:00:18,960
así como el proceso que usan para entrenarse.

5
00:00:19,800 --> 00:00:20,060
Comencemos.

6
00:00:22,140 --> 00:00:25,120
Las redes neuronales son una estructura

7
00:00:25,440 --> 00:00:27,560
inspirada en cómo funciona el cerebro humano

8
00:00:28,160 --> 00:00:35,900
y es muy utilizada para Machine Learning debido a los increíbles resultados que podemos obtener y que es aplicable a todo tipo de problemas.

9
00:00:36,540 --> 00:00:43,040
Sin embargo, antes de utilizarlas, veamos de manera fundamental por qué funcionan y cómo pueden generar aprendizaje.

10
00:00:43,820 --> 00:00:46,280
Todo comienza con algo llamado perceptron,

11
00:00:46,600 --> 00:00:49,540
el cual es un concepto simple que nos permite tomar decisiones interesantes.

12
00:00:49,900 --> 00:00:55,180
Tomemos nuevamente el ejemplo que hicimos en la lección de los árboles de decisión.

13
00:00:56,020 --> 00:00:59,900
Queremos saber si vamos a un concierto y eso depende de tres factores.

14
00:01:00,460 --> 00:01:01,800
El clima es agradable.

15
00:01:02,480 --> 00:01:03,140
¿Tienes dinero?

16
00:01:03,720 --> 00:01:04,900
¿Irán tus amigos?

17
00:01:05,200 --> 00:01:09,240
La respuesta a cada una de esas preguntas es una entrada o característica,

18
00:01:09,340 --> 00:01:11,500
así que digamos que esta es la X1,

19
00:01:11,940 --> 00:01:13,880
esta X2 y esta X3.

20
00:01:14,580 --> 00:01:15,660
Si la respuesta es sí,

21
00:01:15,780 --> 00:01:16,740
tendrán un valor de 1.

22
00:01:16,920 --> 00:01:18,740
Si la respuesta es no,

23
00:01:19,040 --> 00:01:20,300
su valor será cero.

24
00:01:20,900 --> 00:01:28,140
Esas entradas llegan a este pequeño círculo y este círculo es el que procesará los datos y nos dirá la respuesta.

25
00:01:28,780 --> 00:01:29,780
1 si sí vamos,

26
00:01:30,360 --> 00:01:31,060
0 si no.

27
00:01:31,580 --> 00:01:34,440
Internamente, este círculo hace algo muy simple.

28
00:01:34,900 --> 00:01:37,780
Dentro tiene un número ajustable llamado umbral.

29
00:01:38,220 --> 00:01:41,180
El círculo revisará si la suma de todas las entradas

30
00:01:41,760 --> 00:01:42,880
es mayor al umbral.

31
00:01:43,440 --> 00:01:46,100
Si sí, la respuesta será 1 y si no, será 0.

32
00:01:46,620 --> 00:01:48,980
Ahora digamos que tenemos un umbral de 1.

33
00:01:49,500 --> 00:01:53,080
Si las entradas son que el clima sí es agradable,

34
00:01:53,440 --> 00:01:55,920
no tienes dinero, pero sí irán tus amigos,

35
00:01:56,200 --> 00:01:57,820
las entradas suman 2.

36
00:01:58,340 --> 00:01:59,880
Como 2 es mayor a 1,

37
00:02:00,140 --> 00:02:04,240
la respuesta es que sí irás al concierto y a ver a quién le pides dinero.

38
00:02:04,420 --> 00:02:06,380
De igual manera, si hay mal clima,

39
00:02:06,560 --> 00:02:08,800
pero sí tienes dinero y sí van tus amigos,

40
00:02:09,180 --> 00:02:10,080
entonces también vas, quizá con un paraguas.

41
00:02:10,080 --> 00:02:11,540
Sin

42
00:02:12,120 --> 00:02:13,560
embargo, en la vida real,

43
00:02:13,840 --> 00:02:16,940
no todas las cosas tienen la misma importancia.

44
00:02:17,340 --> 00:02:21,760
Quizá realmente odias el mal clima y no quieres mojarte ni un poco.

45
00:02:22,400 --> 00:02:23,620
Por lo tanto, para ti,

46
00:02:24,020 --> 00:02:28,080
que haya buen clima es más importante que el dinero o que sí van tus amigos.

47
00:02:28,400 --> 00:02:30,340
Aquí entra el concepto de los pesos,

48
00:02:30,680 --> 00:02:31,120
en inglés,

49
00:02:31,440 --> 00:02:31,580
weights.

50
00:02:32,320 --> 00:02:34,200
A cada entrada se le asigna un peso.

51
00:02:34,200 --> 00:02:40,160
Digamos que el clima tiene 2 porque es más importante y el dinero y amigos tienen 1.

52
00:02:40,520 --> 00:02:41,720
Antes de entrar al círculo,

53
00:02:41,920 --> 00:02:44,580
las entradas se multiplican cada una por su peso.

54
00:02:44,980 --> 00:02:47,540
Cambiamos ahora el umbral del perceptrón a 2.

55
00:02:48,000 --> 00:02:49,360
Y casi sin darnos cuenta,

56
00:02:49,480 --> 00:02:52,380
ahora el perceptrón toma decisiones más interesantes.

57
00:02:52,700 --> 00:02:54,980
Si hay buen clima y tienes dinero,

58
00:02:55,220 --> 00:02:56,420
pero no van tus amigos.

59
00:02:56,900 --> 00:02:58,240
Como el peso del clima es 2,

60
00:02:58,520 --> 00:03:00,260
la suma total es 2 más 1,

61
00:03:00,600 --> 00:03:01,160
o sea 3.

62
00:03:01,160 --> 00:03:02,540
Y al ser mayor a 2,

63
00:03:02,880 --> 00:03:04,280
sí irás al concierto.

64
00:03:04,560 --> 00:03:06,600
Si hay buen clima e irán tus amigos,

65
00:03:07,020 --> 00:03:08,140
aunque no tengas dinero,

66
00:03:08,440 --> 00:03:09,240
irás al concierto.

67
00:03:09,760 --> 00:03:11,560
Pero si no hay buen clima,

68
00:03:11,920 --> 00:03:14,840
aunque tengas dinero y vayan a ir tus amigos,

69
00:03:14,980 --> 00:03:17,160
entonces no irás, ya que la suma es 2.

70
00:03:17,480 --> 00:03:19,080
Y 2 no es mayor a 2.

71
00:03:19,380 --> 00:03:21,060
De igual manera, si hay buen clima,

72
00:03:21,180 --> 00:03:23,360
pero no tienes dinero y no van tus amigos,

73
00:03:23,760 --> 00:03:24,600
entonces no vas.

74
00:03:25,100 --> 00:03:26,180
Con esos pequeños cambios,

75
00:03:26,240 --> 00:03:29,560
el perceptrón ahora toma decisiones de una manera más elaborada.

76
00:03:31,160 --> 00:03:33,280
Este círculo es llamado perceptrón,

77
00:03:33,820 --> 00:03:35,420
el cual consta de entradas,

78
00:03:35,880 --> 00:03:37,980
pesos para cada entrada y un umbral.

79
00:03:38,520 --> 00:03:40,480
Jugando con los pesos y el umbral,

80
00:03:40,660 --> 00:03:43,900
podemos hacer que este perceptrón tome distintas decisiones.

81
00:03:44,260 --> 00:03:47,720
Ahora imagina que en lugar de tener solo 3 entradas,

82
00:03:48,140 --> 00:03:48,700
tienes más.

83
00:03:49,240 --> 00:03:53,940
Y que cada una de esas entradas son en realidad salidas de otros perceptrones.

84
00:03:54,300 --> 00:03:58,600
Y quizá la salida de tu perceptrón se utiliza como entrada a otros perceptrones,

85
00:03:59,120 --> 00:04:03,560
trabajando en conjunto con muchísimos pesos y umbrales modificables,

86
00:04:04,060 --> 00:04:06,120
todos buscando tomar una sola decisión.

87
00:04:07,040 --> 00:04:10,220
Esto que ves es llamado un perceptrón multicapa,

88
00:04:10,900 --> 00:04:12,920
conocido ahora como red neuronal.

89
00:04:13,320 --> 00:04:17,760
Y su gran cantidad de parámetros ajustables permiten que grandes redes neuronales

90
00:04:18,400 --> 00:04:20,980
logren solucionar problemas de regresión y clasificación.

91
00:04:22,000 --> 00:04:23,660
Y con algunos ajustes que entiendan

92
00:04:23,660 --> 00:04:25,260
y generen texto e imágenes,

93
00:04:25,720 --> 00:04:28,020
clasifiquen audio y entiendan tu voz,

94
00:04:28,280 --> 00:04:30,000
entre otros cientos de cosas.

95
00:04:30,500 --> 00:04:31,360
En el uso actual,

96
00:04:31,460 --> 00:04:33,420
las redes neuronales tienen algunas diferencias.

97
00:04:34,140 --> 00:04:35,080
Los círculos,

98
00:04:35,420 --> 00:04:36,460
llamados ahora neuronas,

99
00:04:36,960 --> 00:04:40,020
siguen recibiendo entradas y se multiplican por pesos,

100
00:04:40,500 --> 00:04:42,460
llamados entonces entradas ponderadas.

101
00:04:43,440 --> 00:04:44,860
Lo que llamábamos umbral,

102
00:04:45,240 --> 00:04:47,160
lo cambiamos por el llamado sesgo,

103
00:04:47,620 --> 00:04:50,860
y será más bien un número que se suma a las entradas ponderadas.

104
00:04:51,840 --> 00:04:53,500
Finalmente, antes de dar su salida,

105
00:04:53,600 --> 00:04:57,780
el número pasa por una función llamada función de activación.

106
00:04:58,400 --> 00:05:00,780
Hablaremos de ellas en una siguiente lección.

107
00:05:01,140 --> 00:05:04,540
Pero pasemos ahora a ver cómo crear nuestra primer red neuronal

108
00:05:04,940 --> 00:05:09,900
para resolver el mismo problema de regresión que resolvimos en la lección de regresión lineal.

109
00:05:10,260 --> 00:05:12,640
Y después pasaremos a cosas más complejas.

110
00:05:15,380 --> 00:05:18,880
Ahora que conoces por qué pueden aprender las redes neuronales,

111
00:05:18,980 --> 00:05:21,700
en la siguiente lección crearemos nuestra primer red neuronal.