El aprendizaje se manifiesta como una simple diferencia entre el antes y el después. Se introduce la misma entrada en la red, pero la salida cambia tras el entrenamiento; dicho cambio se puede medir mediante una puntuación de error.
Esta lección establece una definición concreta de aprendizaje y describe el bucle de entrenamiento que se analizará en lecciones posteriores.
Al principio, una red neuronal suele generar predicciones inestables porque sus parámetros comienzan siendo números aleatorios pequeños. Si se introduce la misma entrada en el mismo código dos veces sin realizar cambios, la salida permanece invariable, aunque puede ser errónea de manera constante.
Tras un periodo de entrenamiento, la entrada sigue siendo la misma, pero la predicción a menudo se acerca a la etiqueta correcta , ya que los pesos se han actualizado durante el proceso. Este es el comportamiento observable fundamental que se puede verificar antes de profundizar en la teoría.
Utilice el ejemplo interactivo de clasificación para comparar las predicciones aleatorias iniciales con la precisión obtenida tras varias etapas de actualización.
El cambio surge de una medición explícita. La red genera una predicción , esta se compara con una etiqueta objetivo y se calcula una métrica de error que asigna un valor mayor a las predicciones menos precisas y un valor menor a las más precisas.
El entrenamiento conlleva un paso de actualización que ajusta ligeramente los parámetros para que la siguiente predicción tienda a producir un error menor en ejemplos similares. El aprendizaje no es un estado de ánimo ni una característica aislada; es un proceso iterativo en el que los valores de los parámetros cambian impulsados por el error medido.
Explora cómo se relacionan estos conceptos en la correspondencia entre parámetros, predicciones, etiquetas, la métrica de error y el paso de actualización.