Perceptrón

El perceptrón es un clasificador lineal binario: combina entradas numéricas con pesos y un sesgo, y aplica un umbral para decidir entre dos clases.

Aquella primera neurona artificial ya decidía «sí» o «no» según un umbral fijo; Rosenblatt añadió el ingrediente decisivo: pesos ajustables que permiten aprender a partir de ejemplos. Fuente primaria.

Cómo funciona: suma ponderada y umbral

Un perceptrón asigna a cada entrada un peso, que mide su importancia. Multiplica cada entrada por su peso, suma todos los productos y añade un término independiente llamado sesgo (bias). El resultado es una única suma ponderada.

Esa suma pasa entonces por una función escalón: si supera el umbral, la salida es 1; si no, es 0. Por eso el perceptrón produce una salida binaria. Geométricamente, los pesos y el sesgo definen un hiperplano que parte el espacio de entradas en dos regiones, una para cada clase.

La regla de aprendizaje y el límite del XOR

El perceptrón aprende con una regla sencilla: para cada ejemplo compara su salida con la respuesta correcta y, cuando se equivoca, ajusta los pesos en proporción al error. Rosenblatt demostró además el teorema de convergencia: si los datos son linealmente separables —si existe una recta o hiperplano que separa las dos clases—, la regla encuentra ese separador en un número finito de pasos. Fuente primaria.

Su límite es estructural: un solo perceptrón no resuelve XOR porque sus clases no son linealmente separables. Para fronteras no lineales hacen falta capas o transformaciones adicionales. Fuente primaria.

Del perceptrón simple al multicapa

La salida a ese límite fue apilar neuronas: el perceptrón multicapa (MLP). Al intercalar una o más capas ocultas entre la entrada y la salida, con funciones de activación no lineales, la red puede trazar fronteras curvas y resolver el XOR y problemas mucho más complejos. Fuente primaria.