Rafa,
si, así es.
Si comparamos un perceptrón y una función de Harbour, tenemos:
El perceptrón recibe una serie de valores (inputs). Una función de Harbour recibe una serie de parámetros (inputs).
El perceptrón mantiene una serie de pesos (weights) cuyos valores va modificando. Una función usaría unas variables estáticas, si convertimos la función a Clase, serian DATAs del objeto.
El perceptrón calcula un resultado (output) y una función devuelve un resultado (output).
Este cálculo se hace en base a multiplicar los inputs por sus respectivos pesos. Una función podría evaluar un codeblock que realizase los cálculos que fuesen necesarios (?).
El resultado de este cálculo se compara con el valor esperado (output) y asi se calcula el error (diferencia de lo esperado menos lo obtenido), y se ajustan los pesos. Asi sucesivamente
hasta que el error se aproxima mucho a cero y el perceptrón va "aprendiendo".
Podemos comparar una aplicación, que usa muchas funciones, con una red neuronal ? Que podemos aprender del perceptrón para hacer nuestras aplicaciones "inteligentes" ?
Propongo este brain-storming por si alguno más se anima a darle vueltas a estas ideas
↧