05- Perceptrón Multicapa (MLP) y la Arquitectura de Capas Ocultas

 

La Evolución: Del Perceptrón Simple al Multicapa

Para superar las limitaciones del perceptrón básico, el cual no podía resolver problemas no lineales como el XOR, fue necesario evolucionar hacia el Perceptrón Multicapa (MLP). Esta arquitectura permite que la red aprenda funciones mucho más complejas mediante la organización de neuronas en diferentes niveles de jerarquía.

Arquitectura de Capas

Un modelo MLP consta de al menos tres tipos de capas de nodos:

1. Capa de Entrada: Recibe los datos externos o vectores de información.
2. Capas Ocultas: Son capas intermedias donde ocurre el procesamiento real. Aquí, las neuronas se especializan en detectar patrones específicos que no son visibles a simple vista.
3. Capa de Salida: Entrega el resultado final del procesamiento de toda la red

¿Por qué son necesarias las Capas Ocultas?

A diferencia del perceptrón simple, cada capa en un MLP alimenta a la siguiente con el resultado de su cálculo, creando una representación interna de los datos. Esto permite que la red sea un "aproximador universal", capaz de modelar prácticamente cualquier relación matemática compleja, lo que constituye la base del Deep Learning (Aprendizaje Profundo) que utilizamos hoy en día.