¿Qué es el aprendizaje profundo? El aprendizaje profundo es un software informático que imita la red de neuronas en un cerebro. Es un subconjunto de aprendizaje automático basado en redes neuronales artificiales con aprendizaje de representaciones. Se llama aprendizaje profundo porque hace uso de redes neuronales profundas. Este aprendizaje puede ser supervisado, semisupervisado o no supervisado. Los algoritmos de aprendizaje profundo están construidos con capas conectadas. La primera capa se llama Capa de entrada. La última capa se llama Capa de salida. Todas las capas intermedias se llaman Capas ocultas. La palabra «profundo» significa que la red une neuronas en más de dos capas.

Cada capa oculta está compuesta por neuronas. Las neuronas están conectadas entre sí. La neurona procesará y luego propagará la señal de entrada que recibe a la capa superior a ella. La fuerza de la señal dada por la neurona en la siguiente capa depende del peso, el sesgo y la función de activación. La red consume grandes cantidades de datos de entrada y los opera a través de múltiples capas. En este tutorial de aprendizaje profundo para principiantes, aprenderá conceptos básicos de aprendizaje profundo como: Proceso de aprendizaje profundo.

Una red neuronal profunda proporciona precisión de última generación en muchas tareas, desde la detección de objetos hasta el reconocimiento de voz. Pueden aprender automáticamente, sin conocimientos predefinidos codificados explícitamente por los programadores. Para comprender la idea del aprendizaje profundo, imagine una familia, con un bebé y sus padres. El niño señala objetos con su dedo y siempre dice la palabra «gato». A medida que sus padres se preocupan por su educación, le siguen diciendo «Sí, eso es un gato» o «No, eso no es un gato». El bebé insiste en señalar objetos, pero se vuelve más preciso con los «gatos». En lo más profundo, el niño no sabe por qué puede decir si es un gato o no. Simplemente ha aprendido a jerarquizar características complejas al ver al animal en su conjunto y continuar enfocándose en detalles como la cola o la nariz antes de tomar una decisión. Una red neuronal funciona de manera similar. Cada capa representa un nivel más profundo de conocimiento, es decir, la jerarquía del conocimiento. Una red neuronal con cuatro capas aprenderá una característica más compleja que con dos capas. El aprendizaje se produce en dos fases: Primera fase: La primera fase consiste en aplicar una transformación no lineal de la entrada y crear un modelo estadístico como salida. Segunda fase: El segundo paso tiene como objetivo mejorar el modelo con un método matemático conocido como derivada. La red neuronal repite estas dos fases cientos a miles de veces hasta que ha alcanzado un nivel de precisión aceptable. El repaso de estas dos fases se llama iteración.

Para dar un ejemplo de aprendizaje profundo, eche un vistazo al movimiento a continuación, el modelo está tratando de aprender a bailar. Después de 10 minutos de entrenamiento, el modelo no sabe cómo bailar y parece un garabato. Después de 48 horas de aprendizaje, la computadora domina el arte de bailar.

Clasificación de redes neuronales Red neuronal superficial: La red neuronal superficial tiene una sola capa oculta entre la entrada y la salida. Red neuronal profunda: Las redes neuronales profundas tienen más de una capa. Por ejemplo, el modelo Google LeNet para reconocimiento de imágenes cuenta con 22 capas. Hoy en día, el aprendizaje profundo se utiliza de muchas formas como un automóvil sin conductor, el teléfono móvil, el motor de búsqueda de Google, la detección de fraudes, la televisión, y así sucesivamente.

Ahora, en este tutorial de redes neuronales profundas, aprenderemos sobre los tipos de redes de aprendizaje profundo. Redes neuronales de avance Feed-forward neural networks El tipo más simple de red neuronal artificial. Con este tipo de arquitectura, la información fluye en una sola dirección, hacia adelante. Significa que el flujo de información comienza en la capa de entrada, pasa por las «capas ocultas» y termina en la capa de salida. La red no tiene un bucle. La información se detiene en las capas de salida.

Redes neuronales recurrentes (RNN) RNN es una red neuronal multicapa que puede almacenar información en nodos de contexto, lo que le permite aprender secuencias de datos y emitir un número u otra secuencia. En pocas palabras, son redes neuronales artificiales cuyas conexiones entre neuronas incluyen bucles. Las RNN son adecuadas para procesar secuencias de entradas.

Redes neuronales convolucionales (CNN) CNN es una red neuronal multicapa con una arquitectura única diseñada para extraer características cada vez más complejas de los datos en cada capa para determinar la salida. Las CNN son adecuadas para tareas perceptuales.

Aprendizaje por refuerzo El aprendizaje por refuerzo es un subcampo del aprendizaje automático en el que los sistemas se entrenan al recibir «recompensas» o «castigos» virtuales, esencialmente aprendiendo por ensayo y error.

Ejemplos de aplicaciones de aprendizaje profundo Ahora, en este tutorial de aprendizaje profundo para principiantes, aprendamos sobre las aplicaciones de aprendizaje profundo. AI en finanzas: el sector de la tecnología financiera ya ha comenzado a utilizar AI para ahorrar tiempo, reducir costos y agregar valor. El aprendizaje profundo está cambiando la industria crediticia mediante una puntuación de crédito más sólida. AI en recursos humanos: Under Armour, una empresa de ropa deportiva, revoluciona la contratación y moderniza la experiencia del candidato con la ayuda de la AI. AI en recursos humanos: Under Armour reduce el tiempo de contratación para sus tiendas minoristas en un 35%. Ejemplos de aplicaciones de aprendizaje profundo

Convolutional Neural Network CNN se utiliza principalmente cuando hay un conjunto de datos no estructurados (por ejemplo, imágenes) y los profesionales necesitan extraer información de él. Por ejemplo, si la tarea es predecir un título de imagen: la CNN recibe una imagen, digamos un gato, esta imagen, en términos informáticos, es una colección de píxeles. En general, una capa para la imagen en escala de grises y tres capas para una imagen en color. Durante el aprendizaje de características (es decir, las capas ocultas), la red identificará características únicas, por ejemplo, la cola del gato, la oreja, etc. Cuando la red aprenda completamente a reconocer una imagen, podrá proporcionar una probabilidad por cada imagen que conoce. La etiqueta con la probabilidad más alta se convertirá en la predicción de la red. Aprendizaje por refuerzo: el aprendizaje por refuerzo se utiliza para vencer a un campeón humano en juegos de Go. El aprendizaje por refuerzo también se utiliza en videojuegos para mejorar la experiencia de juego proporcionando bots más inteligentes. Uno de los algoritmos más famosos es: Q-learning Red profunda de Q SARSA Deep Deterministic Policy Gradient (DDPG)