APRENDIZAJE SUPERVISADO DE UN PERCEPTRÓN: IMPLEMENTACIÓN EN C# Y VISUALIZACIÓN DEL PROCESO DE CONVERGENCIA
DOI:
https://doi.org/10.61530/redtis.vol9.n1.2025.275Palabras clave:
aprendizaje supervisado, C#, frontera de decisión, perceptrón, redes neuronalesResumen
Este trabajo presenta una implementación didáctica y reproducible de un perceptrón de una sola capa en el lenguaje C#, con el propósito de ilustrar el proceso de aprendizaje supervisado mediante el ajuste explícito de pesos y la visualización de la frontera de decisión. Se abordan los problemas clásicos OR y AND (ambos linealmente separables) empleando el mismo conjunto de pesos iniciales. Para cada caso se genera una bitácora de entrenamiento que documenta la evolución del vector de pesos y los cambios correspondientes en la frontera de decisión a lo largo de las iteraciones. Aunque las condiciones iniciales son idénticas, el perceptrón requiere un número distinto de iteraciones para converger en cada problema, lo cual evidencia la sensibilidad del algoritmo al orden de presentación de los patrones y a su carácter incremental. Los resultados confirman la correcta convergencia del modelo y permiten visualizar de manera clara la mecánica interna del aprendizaje supervisado. La implementación propuesta constituye una herramienta formativa que facilita la comprensión del perceptrón simple y sienta las bases para el estudio de arquitecturas neuronales más avanzadas.
Referencias
[1] J. McCarthy, M. Minsky, N. Rochester y C. Shannon, «A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence,» 31 08 1955. [En línea]. Available: https://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html. [Último acceso: 24 02 2025].
[2] F. Rosenblatt, «The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain,» Psychological Review, pp. 386-408, 1958.
[3] M. Wooldridge, A Brief History of Artificial Intelligence: What It Is, Where We Are, and Where We Are Going, Flatiron Books, 2021.
[4] G. E. H. &. R. J. W. David E. Rumelhart, «Learning representations by back-propagating errors,» Nature 323, p. 533–536, 1986.
[5] C. M. Bishop, Pattern Recognition and Machine Learning, Cambridge, UK: Springer, 2006.
[6] C. M. Bishop, Neural Networks for Pattern Recognition, Birmingham, UK: Clarendon Press - Oxford, 1995.
[7] C. C. Aggarwal, Neural Networks and Deep Learning: A Textbook, NY, USA: Springer, 2018.
[8] K. Gurney, An Introduction to Neural Networks, London: UCL Press, 1997.
[9] S. Haykin, Neural Networks and Learning Machines 3rd ed., Ontario, Canada: Pearson Prentice Hall, 2009.
[10] Microsoft, «Microsoft Learn - Tour por C#,» [En línea]. Available: https://learn.microsoft.com/es-es/dotnet/csharp/tour-of-csharp/. [Último acceso: 01 10 2025].
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Álvaro Peraza Garzón, Mónica Avelina Gutiérrez Haros, Juan Francisco Peraza Garzón, Gloria Irene Téllez Rodríguez, Roberto Antonio Martínez Thompson
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
This is a human-readable summary of (and not a substitute for) the license.
Advertencia.
Usted es libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar — remezclar, transformar y crear a partir del material
El licenciador no puede revocar estas libertades mientras cumpla con los términos de la licencia.
Bajo las condiciones siguientes:
Reconocimiento — Debe reconocer adecuadamente la autoría, proporcionar un enlace a la licencia e indicar si se han realizado cambios<. Puede hacerlo de cualquier manera razonable, pero no de una manera que sugiera que tiene el apoyo del licenciador o lo recibe por el uso que hace.
NoComercial — No puede utilizar el material para una finalidad comercial.
CompartirIgual — Si remezcla, transforma o crea a partir del material, deberá difundir sus contribuciones bajo la misma licencia que el original.
No hay restricciones adicionales — No puede aplicar términos legales o medidas tecnológicas que legalmente restrinjan realizar aquello que la licencia permite.
Avisos:
No tiene que cumplir con la licencia para aquellos elementos del material en el dominio público o cuando su utilización esté permitida por la aplicación de una excepción o un límite.
No se dan garantías. La licencia puede no ofrecer todos los permisos necesarios para la utilización prevista. Por ejemplo, otros derechos como los de publicidad, privacidad, o los derechos morales pueden limitar el uso del material.
Cómo citar
