1. La neurona McCulloch-Pitts (neurona MCP):
* Concepto: Posiblemente este es el modelo más simple y temprano de una neurona artificial.
* función: Se necesitan múltiples entradas binarias (0 o 1) y produce una salida binaria única basada en una función umbral. Si la suma ponderada de entradas excede el umbral, la salida es 1 (activación), de lo contrario 0.
* significado: Estableció las bases para el campo de las redes neuronales y demostró el potencial de unidades simples para realizar operaciones lógicas.
2. El perceptrón:
* Concepto: Una extensión de la neurona MCP que puede manejar entradas binarias y continuas.
* función: Aprende un límite de decisión lineal ajustando pesos y valores de sesgo basados en datos de entrenamiento.
* significado: Introdujo el concepto de aprendizaje supervisado y la capacidad de resolver problemas de clasificación lineal.
3. La neurona sigmoidea:
* Concepto: Similar al Perceptron, pero utiliza una función de activación sigmoide en lugar de una función de paso.
* función: La función sigmoidea genera un valor entre 0 y 1, que representa el nivel de activación de la neurona. Esto permite una representación de información más matizada y ayuda a manejar relaciones no lineales en los datos.
* significado: Marcó un cambio hacia activaciones continuas y pavimentó el camino para la backpropagation, un algoritmo crucial para entrenar redes neuronales profundas.
4. La neurona Relu (unidad lineal rectificada):
* Concepto: Un tipo de neurona más moderno que utiliza la función de activación de la unidad lineal rectificada.
* función: Emite la entrada directamente si es positiva, y 0 de lo contrario.
* significado: Proporciona una función de activación computacionalmente eficiente y robusta, lo que lleva a un mejor rendimiento en los modelos de aprendizaje profundo.
Más allá de estos:
Es importante tener en cuenta que estos son solo algunos ejemplos de tipos de neuronas básicas. Existen muchas otras variaciones, cada una con sus propias características y fortalezas. Por ejemplo, algunas neuronas usan diferentes funciones de activación (por ejemplo, Tanh, Softplus), mientras que otras incorporan mecanismos como la memoria o las conexiones recurrentes.
La elección del tipo de neurona depende de la tarea y la arquitectura específicas de la red neuronal. Sin embargo, comprender estas neuronas "primitivas" proporciona una comprensión fundamental de los componentes básicos de las redes neuronales artificiales.
