Redes neuronales
Redes neuronales convolucionales (CNN)
Arquitectura especializada en datos con estructura de rejilla, sobre todo imágenes. Aprende filtros que detectan bordes, texturas y formas cada vez más complejas.
Ecuación / idea central
(I * K)(i, j) = Σₘ Σₙ I(i+m, j+n) · K(m, n)
tras cada convolución se aplica una activación (ReLU) y una operación de agrupamiento (max pooling)
Usos / Ventajas / Desventajas
- Usos
- Visión por computadora: clasificación de imágenes, detección de objetos, imágenes médicas, inspección industrial.
- Ventajas
- Aprovecha la localidad espacial, comparte pesos (menos parámetros) y aprende las características automáticamente.
- Desventajas
- Necesita grandes volúmenes de datos etiquetados, entrenamiento costoso con GPU y poca interpretabilidad.
Cómo funciona
Una CNN apila bloques de convolución, activación y agrupamiento. Las primeras capas detectan bordes y colores; las intermedias, texturas y partes; las finales, objetos completos. Al final, capas densas producen la probabilidad de cada clase.
Por qué no se ejecuta aquí
Entrenar una CNN requiere bibliotecas como TensorFlow o PyTorch, que no están disponibles en el entorno de Python del navegador (Pyodide) y necesitan GPU para tiempos razonables. Para practicar, usa Google Colab con GPU.