03- Pesos Sinápticos: El Corazón del Aprendizaje Neuronal

 

La importancia de la ponderación en las ANN

En el modelamiento de las Redes Neuronales Artificiales (ANN), el concepto de Peso Sináptico es fundamental para entender cómo el sistema adquiere conocimiento. Inspirado en la "Teoría de la Asamblea Celular" de Donald Hebb (1949), este parámetro simula la fuerza de la conexión entre dos neuronas.

¿Cómo operan los pesos?

Cada información que ingresa a la neurona es multiplicada por un valor numérico específico denominado peso (w). Si un peso es alto, la señal de entrada tendrá una gran influencia en la salida; si es bajo o nulo, la información será ignorada por el sistema. Este proceso ocurre dentro del Combinador Lineal Adaptativo (ALC), donde se realiza una suma ponderada de todas las señales recibidas.

El ajuste iterativo

El aprendizaje no es instantáneo. Al iniciar una red, los pesos suelen ser aleatorios o nulos. Es a través del entrenamiento iterativo que la red ajusta estos valores una y otra vez, siguiendo reglas de aprendizaje orientadas a minimizar una función de coste o error, hasta que la red alcanza el rendimiento deseado y logra generalizar la información.

En el siguiente video se profundiza en el proceso matemático de cómo los pesos y el descenso de gradiente permiten que la red aprenda de sus errores