{"id":180580,"date":"2025-06-26T07:30:00","date_gmt":"2025-06-26T06:30:00","guid":{"rendered":"https:\/\/liora.io\/es\/?p=180580"},"modified":"2026-08-24T19:21:48","modified_gmt":"2026-08-24T18:21:48","slug":"aprendizaje-profundo-con-tensorflow-playground","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/aprendizaje-profundo-con-tensorflow-playground","title":{"rendered":"Tensorflow Playground: Haciendo que el Aprendizaje Profundo sea f\u00e1cil"},"content":{"rendered":"\n<p><strong>El deep learning fascina tanto como intimida. Entre ecuaciones, GPU y vocabulario esot\u00e9rico, podr\u00edas pensar que se necesita un doctorado en matem\u00e1ticas para entender su l\u00f3gica. Sin embargo, el principio es simple: aprender por el ejemplo. Para verlo con tus propios ojos \u2014 literalmente \u2014 nada supera a <\/strong><\/p>\n\n\n<p><strong>.<\/strong><\/p>\n\n\n<p>Esta peque\u00f1a herramienta accesible en l\u00ednea permite manipular una red neuronal en tiempo real, observar las reacciones y, sobre todo, entender <i>c\u00f3mo<\/i><\/p>\n\n\n<h2 class=\"wp-block-heading\" id=\"el-deep-learning-en-pocas-lineas\">El deep learning en pocas l\u00edneas<\/h2>\n\n\n<p>Desde hace una d\u00e9cada, el <a href=\"https:\/\/liora.io\/es\/deep-learning-definicion\">deep learning \u2014 o aprendizaje profundo<\/a> \u2014 domina el reconocimiento de im\u00e1genes, la traducci\u00f3n autom\u00e1tica y la s\u00edntesis de texto. La idea fundacional se remonta a los a\u00f1os 1950: imitar (rudimentariamente) el funcionamiento de las neuronas biol\u00f3gicas. Una <strong>neurona artificial<\/strong> recibe entradas num\u00e9ricas, las pondera, a\u00f1ade eventualmente un sesgo y aplica una funci\u00f3n de activaci\u00f3n. Alineadas en <strong>capas<\/strong> sucesivas, estas neuronas transforman poco a poco los datos brutos en representaciones aptas para separar, predecir o generar.<\/p>\n\n\n<p>\u00bfPor qu\u00e9 \u201cprofundo\u201d? Porque las redes modernas apilan decenas, incluso cientos de capas, cada una capturando una abstracci\u00f3n m\u00e1s sutil que la anterior: de aristas a patrones, de patrones a objetos, luego de objetos a la escena entera. Todo se entrena mediante un m\u00e9todo de optimizaci\u00f3n \u2014 a menudo el descenso de gradiente \u2014 que ajusta los pesos para minimizar un error medido en una muestra de ejemplos anotados.<\/p>\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center wp-container-core-buttons-is-layout-5ee10de4\" style=\"margin-top:32px;margin-bottom:32px\"><div class=\"wp-block-button\"><a class=\"wp-block-button__link wp-element-button\" href=\"https:\/\/liora.io\/en\/courses\/data-ai\/deep-learning\">Lleva El deep learning en pocas l\u00edneas a la pr\u00e1ctica con Deep Learning<\/a><\/div><\/div>\n\n\n<h2 class=\"wp-block-heading\" id=\"tensorflow-playground-un-laboratorio-en-el-navegador\">TensorFlow Playground: un laboratorio en el navegador<\/h2>\n\n\n<p>Abre TensorFlow Playground y, sin instalar nada, aparece una red m\u00ednima. A la izquierda, unos <strong>puntos de colores<\/strong> representan los datos; en el centro, unos <strong>c\u00edrculos<\/strong> (las neuronas) conectados por <strong>flechas<\/strong> (los pesos); a la derecha, los <strong>hiper-par\u00e1metros<\/strong> modificables con un simple clic: tasa de aprendizaje, funci\u00f3n de activaci\u00f3n, regularizaci\u00f3n, tama\u00f1o de lote, etc. Cuando se pulsa en <strong>Train<\/strong><\/p>\n\n\n<figure class=\"aligncenter size-full wp-block-image\" style=\"margin-top:32px;margin-bottom:32px\"><img alt=\"Ilustraci\u00f3n sobre TensorFlow Playground: un laboratorio en el navegador\" decoding=\"async\" height=\"1156\" loading=\"lazy\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/06\/image1.webp\" style=\"width:100%;max-width:748px;height:auto\" width=\"1999\"\/><\/figure>\n\n\n<p>\u00bfPor qu\u00e9 esta herramienta es tan poderosa para entender?<\/p>\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Visualizaci\u00f3n instant\u00e1nea<\/strong>: la frontera evoluciona ante tus ojos, ilustrando el descenso de gradiente mucho mejor que un gr\u00e1fico est\u00e1tico.<\/li>\n<li><strong>Seguridad<\/strong>: no hay riesgo de borrar un disco o de quemar un GPU.<\/li>\n<li><strong>F\u00e1cil de compartir<\/strong>: todas las opciones est\u00e1n codificadas en la URL; basta con copiarla para compartir una configuraci\u00f3n exacta.<\/li>\n<\/ul>\n\n\n<h2 class=\"wp-block-heading\" id=\"anatomia-de-una-red-desde-playground\">Anatom\u00eda de una red desde Playground<\/h2>\n\n\n<figure class=\"aligncenter size-full wp-block-image\" style=\"margin-top:32px;margin-bottom:32px\"><img alt=\"Ilustraci\u00f3n sobre Anatom\u00eda de una red desde Playground\" decoding=\"async\" height=\"1080\" loading=\"lazy\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/06\/image2.webp\" style=\"width:100%;max-width:748px;height:auto\" width=\"1920\"\/><\/figure>\n\n\n<h3 class=\"wp-block-heading\" id=\"1-los-datasets\">1. Los datasets<\/h3>\n\n\n<p>Playground ofrece cuatro datasets sint\u00e9ticos: una nube <strong>linealmente separable<\/strong>, dos juegos <strong>no lineales<\/strong> (c\u00edrculo y \u201clunas\u201d), y la ineludible <strong>espiral<\/strong> apodada \u201cel caracol\u201d. Estos datos bidimensionales son lo suficientemente simples para caber en un gr\u00e1fico, mientras que son suficientemente ricos para probar la potencia de una red profunda.<\/p>\n\n\n<h3 class=\"wp-block-heading\" id=\"2-las-caracteristicas-features\">2. Las caracter\u00edsticas (features)<\/h3>\n\n\n<p>Por defecto, solo las coordenadas <strong>x<\/strong> e <strong>y<\/strong> son usadas como entradas. Pero se pueden activar otras caracter\u00edsticas derivadas: <strong>x\u00b2<\/strong>, <strong>y\u00b2<\/strong>, <strong>x\u00b7y<\/strong>, <strong>sin(x)<\/strong> o <strong>sin(y)<\/strong>. Estas transformaciones permiten al modelo captar mejor patrones complejos. Por ejemplo, una nube en forma de c\u00edrculo se vuelve mucho m\u00e1s f\u00e1cil de separar si se a\u00f1ade <strong>x\u00b2 + y\u00b2<\/strong> como informaci\u00f3n: la frontera de decisi\u00f3n puede entonces volverse circular, incluso con una red simple.<\/p>\n\n\n<h3 class=\"wp-block-heading\" id=\"3-la-arquitectura\">3. La arquitectura<\/h3>\n\n\n<p>Bajo los datos, un deslizador permite a\u00f1adir capas y ajustar el n\u00famero de neuronas. Una red <strong>sin capa oculta<\/strong> equivale a una regresi\u00f3n lineal: solo resuelve separaciones lineales. Con <strong>una capa<\/strong> de tres neuronas, el modelo ya captura curvas. Tres capas de ocho neuronas vencen al dataset en espiral, mientras que aumentar la profundidad a\u00fan m\u00e1s expone al sobre-aprendizaje \u2014 de ah\u00ed la importancia de la regularizaci\u00f3n.<\/p>\n\n\n<h3 class=\"wp-block-heading\" id=\"4-los-hiper-parametros\">4. Los hiper-par\u00e1metros<\/h3>\n\n\n<p>La <strong>tasa de aprendizaje<\/strong> gobierna la magnitud de las actualizaciones: demasiado grande, la p\u00e9rdida oscila; demasiado peque\u00f1a, el modelo se estanca. Las <strong>funciones de activaci\u00f3n<\/strong> \u2014 ReLU, tanh, sigmoid \u2014 inyectan la no linealidad necesaria; ReLU converge a menudo m\u00e1s r\u00e1pido, tanh a veces se muestra m\u00e1s estable. La <strong>regularizaci\u00f3n L2<\/strong> a\u00f1ade una penalizaci\u00f3n sobre los pesos para impedir que la red memorice el ruido.<\/p>\n\n\n<h3 class=\"wp-block-heading\" id=\"5-visualizar-los-resultados\">5. Visualizar los resultados<\/h3>\n\n\n<p>Una vez iniciado el entrenamiento, hay dos elementos a vigilar: la <strong>frontera de decisi\u00f3n<\/strong>, que evoluciona visualmente en el plano, y la <strong>curva de p\u00e9rdida<\/strong> en la esquina inferior derecha. La frontera muestra c\u00f3mo la red aprende a separar las clases; cuanto m\u00e1s se ajusta a la forma de los datos, mejor entiende el modelo. La curva de p\u00e9rdida, por su parte, indica si el error disminuye \u2014 una buena se\u00f1al de que el aprendizaje progresa.<\/p>\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center wp-container-core-buttons-is-layout-5ee10de4\" style=\"margin-top:32px;margin-bottom:32px\"><div class=\"wp-block-button\"><a class=\"wp-block-button__link wp-element-button\" href=\"https:\/\/liora.io\/en\/courses\/data-ai\/machine-learning-engineer\">Formaci\u00f3n para TensorFlow Playground<\/a><\/div><\/div>\n\n\n<h2 class=\"wp-block-heading\" id=\"dos-desafios-a-reproducir\">Dos desaf\u00edos a reproducir<\/h2>\n\n\n<p>Todos los par\u00e1metros de los ejercicios a continuaci\u00f3n ya est\u00e1n codificados en los enlaces, solo hay que hacer clic para aterrizar en la configuraci\u00f3n descrita.<\/p>\n\n\n<h3 class=\"wp-block-heading\" id=\"desafio-1-primeros-pasos\"><u>Desaf\u00edo 1<\/u>: Primeros Pasos<\/h3>\n\n\n<p>Enlace: <a href=\"\/#activation=tanh&amp;batchSize=10&amp;dataset=xor&amp;learningRate=0.03&amp;networkShape=2&amp;noise=0&amp;regularizationRate=0&amp;seed=0&amp;showTestData=false\">Desaf\u00edo &#8211; Primeros Pasos<\/a><\/p>\n\n\n<p>Inicia el entrenamiento: en pocos segundos, la frontera comienza a dibujar una separaci\u00f3n en dos zonas bien definidas. Luego intenta reducir la tasa de aprendizaje y observa c\u00f3mo el modelo aprende m\u00e1s lentamente. Cambia tambi\u00e9n la funci\u00f3n de activaci\u00f3n, por ejemplo, cambiando de <strong>tanh<\/strong> a <strong>ReLU<\/strong>: la velocidad y la forma de convergencia pueden variar, incluso si la tarea sigue siendo simple. Es un buen primer ejercicio para familiarizarse con los par\u00e1metros sin perderse en la complejidad.<\/p>\n\n\n<h3 class=\"wp-block-heading\" id=\"desafio-2-espiral\"><u>Desaf\u00edo 2<\/u>: Espiral<\/h3>\n\n\n<p>Enlace: <a href=\"\/#activation=tanh&amp;batchSize=10&amp;dataset=spiral&amp;regDataset=reg-plane&amp;learningRate=0.03&amp;regularizationRate=0&amp;noise=20&amp;networkShape=4,2&amp;seed=0.17718&amp;showTestData=false&amp;x=true&amp;y=true\">Espiral<\/a><\/p>\n\n\n<p>En este segundo ejercicio, la red debe aprender a clasificar un conjunto de datos en forma de espiral \u2014 un patr\u00f3n conocido por ser dif\u00edcil. La configuraci\u00f3n de partida intencionalmente limitada (solo las features <strong>x<\/strong> e <strong>y<\/strong>) obliga a jugar con la arquitectura y los hiper-par\u00e1metros para tener \u00e9xito.<\/p>\n\n\n<p>Inicia el entrenamiento: la frontera es ca\u00f3tica al principio. Depende de ti encontrar una combinaci\u00f3n de capas, neuronas, funci\u00f3n de activaci\u00f3n, incluso regularizaci\u00f3n, que permita a la red seguir las curvas del patr\u00f3n. Es una buena manera de ver hasta qu\u00e9 punto la profundidad o un peque\u00f1o cambio de par\u00e1metro pueden hacer toda la diferencia.<\/p>\n\n\n<p>Dificultad extra: <strong>prohibido a\u00f1adir caracter\u00edsticas derivadas<\/strong>. Todo debe pasar por la estructura del modelo.<\/p>\n\n\n<figure class=\"aligncenter size-full wp-block-image\" style=\"margin-top:32px;margin-bottom:32px\"><img alt=\"Ilustraci\u00f3n sobre Desaf\u00edo 2 : Espiral\" decoding=\"async\" height=\"850\" loading=\"lazy\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/06\/image3.webp\" style=\"width:100%;max-width:748px;height:auto\" width=\"1500\"\/><\/figure>\n\n\n<h2 class=\"wp-block-heading\" id=\"lo-que-se-aprende-del-playground\">Lo que se aprende del Playground<\/h2>\n\n\n<ol class=\"wp-block-list\">\n<li>Unos diez minutos pasados en Playground bastan para extraer tres ense\u00f1anzas fundamentales:\n<ol>\n<li><strong>La red aprende ajustando<\/strong> sus pesos para reducir el error; el descenso de gradiente no es m\u00e1s que un ciclo de ensayo y error automatizado.<\/li>\n<li><strong>La no linealidad<\/strong> \u2014 ya sea a trav\u00e9s de caracter\u00edsticas o activaciones \u2014 es indispensable en cuanto una l\u00ednea no es suficiente.<\/li>\n<li><strong>Los hiper-par\u00e1metros son cruciales<\/strong>: una mala tasa de aprendizaje o una arquitectura sobredimensionada pueden arruinar el entrenamiento tan seguramente como un error en el c\u00f3digo.<\/li>\n<\/ol>\n<\/li>\n<\/ol>\n\n\n<p>Estas observaciones se aprecian, no se adivinan: la imagen en movimiento imprime en la mente lo que tres p\u00e1ginas de \u00e1lgebra resumen menos claramente.<\/p>\n\n\n<p>TensorFlow Playground no sirve para producir un modelo industrial, sino para <strong>visualizar el n\u00facleo del deep learning<\/strong>: la transformaci\u00f3n progresiva de un espacio de datos bajo el impacto de un aprendizaje iterativo. Reduciendo el tema a puntos de colores y a unos cuantos botones, la herramienta pone la mec\u00e1nica al alcance de cualquiera que disponga de un navegador, de ah\u00ed, dar el paso hacia <a href=\"https:\/\/liora.io\/es\/keras-la-api-de-deep-learning\">Keras<\/a> o <a href=\"https:\/\/liora.io\/es\/pytorch-saber-todo-sobre-el-marco-de-trabajo-de-deep-learning-de-facebook\">PyTorch<\/a> se convierte en un simple cambio de interfaz. Entonces, abre la p\u00e1gina, juega unos minutos, ajusta un par\u00e1metro, observa el resultado y siente c\u00f3mo la teor\u00eda cobra vida. El aprendizaje autom\u00e1tico, por complejo que sea, siempre comienza con un primer clic en Train.<\/p>\n\n\n<figure class=\"aligncenter size-full wp-block-image\" style=\"margin-top:32px;margin-bottom:32px\"><img alt=\"Ilustraci\u00f3n sobre Lo que se aprende del Playground\" decoding=\"async\" height=\"1707\" loading=\"lazy\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2025\/06\/middle-eastern-cybersecurity-professional-1-scaled-1.webp\" style=\"width:100%;max-width:748px;height:auto\" width=\"2560\"\/><\/figure>\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center wp-container-core-buttons-is-layout-5ee10de4\" style=\"margin-top:32px;margin-bottom:32px\"><div class=\"wp-block-button\"><a class=\"wp-block-button__link wp-element-button\" href=\"https:\/\/liora.io\/en\/courses\/data-ai\/data-scientist\">Aprende Lo que se aprende del Playground con Data Scientist<\/a><\/div><\/div>\n","protected":false},"excerpt":{"rendered":"<p>El deep learning fascina tanto como intimida. Entre ecuaciones, GPU y vocabulario esot\u00e9rico, podr\u00edas pensar que se necesita un doctorado en matem\u00e1ticas para entender su l\u00f3gica. Sin embargo, el principio es simple: aprender por el ejemplo. Para verlo con tus propios ojos \u2014 literalmente \u2014 nada supera a . Esta peque\u00f1a herramienta accesible en l\u00ednea [&hellip;]<\/p>\n","protected":false},"author":74,"featured_media":180582,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2440],"class_list":["post-180580","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ia"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/180580","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/users\/74"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/comments?post=180580"}],"version-history":[{"count":5,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/180580\/revisions"}],"predecessor-version":[{"id":185905,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/180580\/revisions\/185905"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media\/180582"}],"wp:attachment":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media?parent=180580"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/categories?post=180580"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}