Entendida la idea principal de cómo trabaja el mecanismo del Deep Learning, ahora veamos cómo está estructurado el perceptrón y la red neuronal. Como mencionamos antes, la red neuronal tiene una capa de entradas que recibe los datos. En esta etapa, la neurona asigna valores de peso (weights) a cada característica de los datos y también asigna un valor constante llamado Bias. Este Bias representa el posible error que puede surgir cuando la neurona subestima o sobreestima el peso de cada característica.

Luego de esta etapa, los datos avanzan a una capa oculta que contiene una función de activación. Esta función es crucial porque, al salir de la neurona, establece un límite o umbral que ajusta el valor resultante. Esto significa que modifica el resultado o impone un límite que debe superarse para pasar a otra neurona. Finalmente, llegamos a la última capa, la de salida (Outputs o y), que interpreta los pesos asignados por cada neurona a las características. A través de la capa oculta, genera una predicción basada en los datos estudiados por la red neuronal.

En resumen, para simplificar, los inputs (normalmente llamados X) se les asigna un valor de peso (Weight) que puede subestimar o sobrestimar, y este valor se limita a un rango específico y una forma estadística particular. En la última capa, la red neuronal estudia estos datos para producir una predicción o resultado. Este proceso se resume en la fórmula que se muestra en la imagen anterior, donde la suma de los inputs multiplicados por los pesos, sumada al Bias dentro de la función de activación, nos da nuestra predicción.