2025
Fundamentos de redes neuronales, del perceptrón a una DNN con Keras Tuner
Perceptrón y descenso de gradiente programados desde cero en NumPy, y una red profunda de regresión con búsqueda de hiperparámetros en Keras Tuner.
Problema
Entender cómo aprende una red neuronal antes de usar frameworks, y aplicarlo a un problema de regresión real.
Datos
Tablas de verdad AND/OR para el perceptrón, una función de costo analítica para el descenso de gradiente y un dataset de regresión de la cátedra (8 variables numéricas `x1`…`x8` y objetivo `y`) para la DNN.
Método
Perceptrón con función escalón para las compuertas AND y OR, descenso de gradiente sobre una función de costo, y DNN de 3 capas ocultas con EDA, Keras Tuner, early stopping y validación cruzada de 5 folds.
Resultado
La DNN de regresión logró un RMSE de test de 89,8 (validación cruzada de 5 folds, 92,6 ± 40,7), y la variabilidad entre folds queda documentada como límite del modelo.
Stack
- Python
- NumPy
- TensorFlow
- Keras Tuner
- scikit-learn
Contexto
Materia: Aprendizaje Automático II · Aprendizaje Automático III · 2025