Campus
Diagrama de temas
-
Aprendizaje profundo
El aprendizaje profundo es un tipo de aprendizaje automático que toma decisiones mediante el uso de varias capas de información. Estas capas se organizan como una jerarquía de decisiones u otras tareas, donde las conclusiones extraídas de una capa inferior pueden influir en las extraídas en capas superiores. Los datos de entrada se separan en varias clases, donde las clases más simples de datos se colocan en las capas inferiores y las más complejas en las capas superiores. Los algoritmos de aprendizaje profundo pueden evaluar un millón o más de puntos de datos durante el procesamiento.
Por ejemplo, si un algoritmo de aprendizaje profundo procesara una imagen de una cara humana, su primera capa podría comenzar simple analizando los bordes de las formas, y una capa superior podría ser capaz de reconocer objetos enteros como ojos, orejas, una nariz, etc. Este abordaje por capas garantiza que el algoritmo pueda aprender de forma gradual acerca del entorno sin que una fuerza humana u otra fuerza externa le indique lo que es importante.
Figura 1. Un proceso de aprendizaje profundo que utiliza capas de información para identificar un rostro humano. 
Debido a que los algoritmos de aprendizaje profundo operan con poca o ninguna orientación humana, precisan cantidades masivas de datos de entrada para hacer buenas predicciones. Con datos suficientes, el aprendizaje profundo puede ser mucho más eficaz para resolver problemas complejos que el aprendizaje automático tradicional. Al igual que los algoritmos de aprendizaje automático tradicionales, los de aprendizaje profundo se basan en modelos matemáticos y se pueden clasificar en diferentes abordajes. Algunos de los principales abordajes incluyen los siguientes:- Redes neuronales prealimentadas (FNN), un abordaje inicial en el proceso en el que la información fluye en una sola dirección.
- Redes neuronales recurrentes (RNN), que se pueden utilizar para reconocer la escritura a mano, generar voz y abordar otros problemas relacionados con el lenguaje.
- Redes neuronales convolucionales (CNN), que a menudo se utilizan para analizar imágenes y abordar otros problemas relacionados con ese formato.
- Redes generativas adversarias (GAN), que enfrentan dos redes neuronales entre sí (por lo general, CNN) y a menudo se utilizan para generar imágenes artificiales realistas de rostros humanos y otros objetos complejos.
Estos son todos los tipos de redes neuronales artificiales (ANN). Las ANN se inspiraron en las conexiones entre las neuronas en el cerebro humano. Al igual que estas neuronas biológicas, los nodos de una red neuronal artificial se envían señales entre sí.
Nota: La palabra "profundo" en la expresión aprendizaje profundo se refiere a la gran cantidad de capas involucradas en el proceso de aprendizaje.Información adicionalPara obtener información adicional sobre los aspectos básicos del aprendizaje profundo, consulte aquí
Campus
