IntelDig Idea guardada 0 veces
Sé la primera persona en valorar esta idea Valorar

Introducción a Deep Learning

Actualmente, la Inteligencia Artificial está avanzando a un gran ritmo y el aprendizaje profundo es uno de los mayores contribuyentes para que eso ocurra. En los últimos años, las aplicaciones de Deep Learning lograron enormes avances en muchos dominios, lo que provocó asombro en personas que no esperaban que la tecnología y el mundo cambiaran tan rápido.

Ahora existen algoritmos tan avanzados que están logrando que las máquinas aprendan por sí solas. Lo que nos hacen preguntarnos si acaso no estamos ya a un paso de vivir dentro de una película de ciencia ficción. En el siguiente post te daremos una introducción a Deep Learning.

Qué es Deep Learning

Comencemos por lo más básico. Deep Learning o aprendizaje profundo, es una rama del aprendizaje automático basada en un conjunto de algoritmos que intentan modelar abstracciones de alto nivel en datos inspirados por la estructura y función del cerebro llamadas redes neuronales artificiales.

Entendámoslo así, nuestro cerebro humano tiene millones de neuronas dentro de una jerarquía y una red de neuronas que están interconectadas entre sí a través de los axones, los cuales pasan las señales eléctricas de una capa a otra, a esto se le llama sinapsis.

Así es como los humanos aprendemos cosas. Cada vez que vemos, oímos, sentimos y pensamos en algo, una sinapsis (impulso eléctrico) se dispara de una neurona a otra en la jerarquía y nos permite aprender, recordar y memorizar cosas en nuestra vida diaria desde el día en que nacimos.

Algo similar, pero todavía no tan evolucionado, es el aprendizaje profundo. Se trata de una réplica de nuestras redes neuronales pero creadas artificialmente con el fin de que le permita a un máquina o a un software aprender de la misma manera como los humanos aprendemos. Ahora bien, se le dice “profundo” debido a que existen muchas capas neuronales que se mantienen ocultas y a estas capas se le llaman redes neuronales profundas.

Diferencias con Machine Learning

Lo siguiente que veremos serán las diferencias entre Deep learning y Machine Learning, es decir, entre lo que se conoce como aprendizaje profundo y el aprendizaje automático.

Primero: Una de las principales diferencias entre el aprendizaje automático y el modelo de aprendizaje profundo está en el área de extracción de características. La extracción de características se realiza por humanos en el aprendizaje automático, mientras que el modelo de aprendizaje profundo se resuelve por sí mismo.

Segundo: Los modelos de aprendizaje profundo tienden a funcionar bien con la cantidad de datos que poseen, mientras que los modelos de aprendizaje automático antiguos dejan de mejorar después de un punto de saturación.

Tercero: Los algoritmos de aprendizaje automático y los algoritmos de aprendizaje profundo tienen diferentes enfoques de resolución de problemas; por un lado, un algoritmo de aprendizaje automático divide el problema en diferentes niveles donde, en cada nivel, el problema se resuelve y luego la solución de cada nivel se combina para formar la solución de un problema completo, mientras que en el aprendizaje profundo, el problema se resuelve de extremo a extremo en su totalidad.

Cuarto: Los algoritmos de aprendizaje automático interpretan reglas nítidas mientras que el aprendizaje profundo no lo hace, es decir, la interpretación de los resultados es más apropiada en el aprendizaje automático, mientras que el aprendizaje profundo carece de esta idealidad.

Quinto: Finalmente y en general, el tiempo de entrenamiento de los algoritmos de aprendizaje profundo es alto debido a la presencia de tantos parámetros en los algoritmos de aprendizaje profundo, mientras que el aprendizaje automático toma comparativamente menos tiempo en el procedimiento de entrenamiento. Esto se invierte para el tiempo de prueba. El tiempo de prueba para el aprendizaje automático es mayor que el aprendizaje profundo.

Funciones Activadoras

Las funciones de activación son realmente importantes para que una red neuronal artificial aprenda y dé sentido a algo realmente complicado y a las asignaciones funcionales no lineales complejas entre las entradas y la variable de respuesta.

Introducen propiedades no lineales a nuestra red. Su propósito principal es convertir una señal de entrada de un nodo en un A-NN a una señal de salida. Esa señal de salida ahora se usa como entrada en la siguiente capa de la pila.

Función de Pérdida y Error

En la mayoría de las redes de aprendizaje, el error se calcula como la diferencia entre la salida real y la salida predicha. La función que se utiliza para calcular este error se conoce como función de pérdida.

Las diferentes funciones de pérdida darán diferentes errores para la misma predicción y, por lo tanto, tendrán un efecto considerable en el rendimiento del modelo. Una de las funciones de pérdida más utilizadas es el error cuadrático medio (MSE), que calcula el cuadrado de la diferencia entre el valor real y el valor predicho.

Se utilizan diferentes funciones de pérdida para tratar diferentes tipos de tareas, es decir, regresión y clasificación. Por lo tanto, las funciones de pérdida son útiles para entrenar una red neuronal. Dada una entrada y un objetivo, calculan la pérdida, es decir, la diferencia entre la salida y la variable objetivo.

Descenso de gradiente

El descenso de gradiente es un algoritmo de optimización utilizado para encontrar los valores de los parámetros (coeficientes) de una función (f) que minimiza una función de costo (costo).

La pendiente de gradiente se utiliza mejor cuando los parámetros no se pueden calcular analíticamente (por ejemplo, usando álgebra lineal) y se deben buscar por un algoritmo de optimización. El gradiente de descenso se usa para encontrar el error mínimo al minimizar una función de “costo”.

Para concluir, podemos decir de manera realista que el aprendizaje profundo es solo una parte del desafío mayor de construir máquinas inteligentes.

En la actualidad, los sistemas de IA más poderosos utilizan técnicas como el aprendizaje profundo como solo un elemento en un conjunto de técnicas muy complicadas. Van desde la técnica estadística de la inferencia bayesiana hasta el razonamiento deductivo.

Aún nos falta explorar mucho más terreno para siquiera imaginar la máquina perfecta que iguale o supere a un ser humano, sin embargo, se trabaja arduamente para lograrlo.

Si sabes programar en Python y quieres conocer más, puedes tomar el curso introductorio Aprendizaje Profundo con Python.

Fuente: este post proviene de IntelDig, donde puedes consultar el contenido original.
¿Vulnera este post tus derechos? Pincha aquí.
¿Qué te ha parecido esta idea?

Esta idea proviene de:

Y estas son sus últimas ideas publicadas:

Cómo diseñar formularios web bien

El formulario web es uno de los elementos más importantes y subestimados de una página web. El formulario permite que el usuario ingrese datos que se envían a un servidor para su procesamiento. Tú mis ...

Recomendamos

Relacionado

Actualidad Internet

GIPHY crea un "detector de famosos" a partir de una red neuronal Open Source

GIPHY, la conocida plataforma de GIFs, acaba de lanzar “El detector de famosos de GIPHY”, una herramienta de código abierto. Desarrollado por el propio equipo de GIPHY, esta plataforma gratuita consiste en una red neuronal que utiliza el modelo de Deep Learning para identificar las caras de los famosos. El detector de celebrities de GIPHY es capaz de identificar más de 2.300 caras de famosos en GI ...

Computación Inteligencia Artificial AI ...

Inteligencia Artificial crea nuevos deportes para humanos

El avance de la Inteligencia Artificial está poco a poco dejándonos con la boca abierta y nos muestra una simple mirada de lo que vendrá en el futuro. Hablamos de tecnologías que solo eran vistas en películas de ciencia ficción. Los nuevos y avanzados algoritmos de aprendizaje automático han mejorado notoriamente, permitiendo así que la IA pueda encajar en casi cualquier cosa. Por ejemplo, ahora p ...

¿Cómo se aplica la inteligencia artificial a una e-commerce?

Desde hace tiempo marcas como Google, Amazon o IBM están a la cabeza de la investigación y uso de la inteligencia artificial, ya que permite, entre otras cosas, mejorar la experiencia de usuario. Pero no solo las empresas integran la inteligencia artificial en su negocio, sino que también los estados, que deben manejar miles de datos, la utilizan como parte de su estrategia geopolítica en el ámbit ...

Internet

Esta persona no existe: una IA "inventa" caras reales de gente inexistente

La inteligencia artificial no solo nos sirve para sacar mejores fotos, conducir coches automatizados o hacer inversiones en bolsa. Está presente en los algoritmos de Netflix, Amazon o incluso en aplicaciones musicales como Pandora. Ahora bien, si creíais que lo habías visto todo, entonces deberías echar un vistazo a esta página web. La página se llama This Person Does Not Exist, y si entramos en e ...

Código Abierto Computación Inteligencia Artificial ...

Cómo el aprendizaje automático está potenciando los sistemas de gestión de contenidos

El aprendizaje automático y la inteligencia artificial son algunas de las palabras que se han vuelto moda hoy día, sobre todo dentro de la comunidad de desarrolladores de código abierto. Este sistema de aprendizaje automático da la impresión de que evoluciona de manera semanal porque constantemente nos enteramos de alguna aplicación diferente basada en este sistema. Sin embargo, para aprovechar lo ...

Computación Inteligencia Artificial AI ...

Inteligencia artificial ayuda a predecir el valor de las criptomonedas

Las criptomonedas han recorrido un largo camino desde que los famosos Bitcoin aparecieran por primera vez a fines de 2008. En solo una década, el mercado se disparó de cero a unos 400 mil millones de dólares, y desde entonces han aparecido otro sin fin de criptomonedas. Pero este éxito no ha estado exento de altibajos. Se puede ganar mucho dinero con las criptomoneda pero también puedes perderlo. ...

Computación Inteligencia Artificial AI ...

La paradoja de la Inteligencia Artificial

La inteligencia artificial (IA) es tendencia en el mundo del comercio, la ciencia, la salud y la geopolítica. El aprendizaje profundo, un subconjunto del aprendizaje automático, despertó el interés estratégico para investigadores, científicos, directores ejecutivos visionarios, académicos, grupos de expertos geopolíticos, empresarios pioneros, inversores de capital astuto, consultores de estrategi ...

general business education e-learning ...

Inteligencia ejecutiva: es enseñar a prepararse para dirigir el comportamiento

La inteligencia educativa se puede formar desde el colegio, pero al no ser un modelo imperante debe trabajarse posteriormente. Su importancia radica en que permite formar personas preparadas para asumir, enfrentar y liderar muchos retos, lo cual es adecuado cuando se quiere formar innovadores y emprendedores. Es aprender a dirigir el comportamiento. En el post reviso sus características, su rol ac ...

* Business - Informatic - Technology - Projects - Strategy - Society - Systems 2 Proyectos 4 Sociologia de las relaciones ...

#SmartCity: de lo digital/inteligente a lo pensado por y para personas – #egovernment #digitalcity

Si hay una palabra de moda en los últimos años, es la palabra Smart. Mucho, mucho y mucho se ha escrito con esta palabra en un sentido adjetivizado. Esto implica que siempre aparece asociada a otras palabras. En este post se habla de Smart City, Smart Territory y Smart Government. Tres conceptos presentados bajo la adjetivización de la palabra Smart, y claro, hay cambios. Lo importante de usar la ...

Innovation New Business and ICT Organizational Ethnography / Anthropology ...

Que quede claro "la IA no tiene nada que ver con data science" - #IA #DataScience

La verdad este post nace por la importancia de que ciertas ideas y conceptos se manejen con claridad, como Inteligencia Artificial y Data Science. Quienes trabajamos en innovación y hemos vivido varios hype por la innovación, hemos visto como muchos directivos caen ante "vendedores de humo" o "seudo expertos" que comienzan a usar conceptos como parte de su experticia, pero su ...