Aplicación de Modelos Básicos de Computación Neuronal: Perceptrón y ADALINE

En este trabajo se presenta la implementación, entrenamiento y evaluación de dos modelos fundamentales de redes neuronales: el Perceptrón y la Red Neuronal Adaptativa Lineal (ADALINE). El objetivo fue analizar el rendimiento de estos modelos en tareas de reconocimiento de patrones y pronóstico de series de tiempo. Para el Perceptrón, se utilizó una arquitectura de capa única para clasificar patrones numéricos, evaluando su convergencia y robustez al ruido con distintas tasas de aprendizaje. Para ADALINE, se implementó un modelo lineal para predecir valores en una serie temporal generada por la dinámica logística, analizando igualmente el impacto de la tasa de aprendizaje y el ruido. Los resultados demuestran que el Perceptrón clasifica perfectamente los patrones linealmente separables sin ruido, pero su rendimiento se degrada severamente (precisión ≈19%) con un 20% de ruido. De manera similar, ADALINE logra un bajo error de pronóstico en datos limpios pero muestra una alta sensibilidad al ruido. Se concluye que, si bien ambos modelos son efectivos para problemas idealizados y linealmente separables, su capacidad de generalización y robustez son limitadas, destacando la necesidad de arquitecturas más complejas para aplicaciones del mundo real.