¿Qué es el aprendizaje profundo (Deep Learning)?

 

El aprendizaje profundo se puede considerar como un subconjunto del aprendizaje automático . Es un campo que se basa en aprender y mejorar por sí mismo mediante el examen de algoritmos informáticos. Mientras que el aprendizaje automático utiliza conceptos más simples, el aprendizaje profundo funciona con redes neuronales artificiales, que están diseñadas para imitar la forma en que los humanos piensan y aprenden. Hasta hace poco, las redes neuronales estaban limitadas por el poder de cómputo y, por lo tanto, tenían una complejidad limitada.

 Sin embargo, los avances en el análisis de Big Data han permitido redes neuronales más grandes y sofisticadas, lo que permite que las computadoras observen, aprendan y reaccionen ante situaciones complejas más rápido que los humanos. El aprendizaje profundo ha ayudado a la clasificación de imágenes, traducción de idiomas, reconocimiento de voz. Se puede utilizar para resolver cualquier problema de reconocimiento de patrones y sin intervención humana.

 

Las redes neuronales artificiales , que comprenden muchas capas, impulsan el aprendizaje profundo. Las redes neuronales profundas (DNN) son tipos de redes en las que cada capa puede realizar operaciones complejas, como la representación y la abstracción, que dan sentido a las imágenes, el sonido y el texto. Considerado el campo de más rápido crecimiento en el aprendizaje automático, el aprendizaje profundo representa una tecnología digital verdaderamente disruptiva, y cada vez más empresas lo utilizan para crear nuevos modelos de negocios.

 

 

 

 

¿Cómo funciona el aprendizaje profundo?

 

Las redes neuronales son capas de nodos, al igual que el cerebro humano está formado por neuronas. Los nodos dentro de capas individuales están conectados a capas adyacentes. Se dice que la red es más profunda según la cantidad de capas que tiene. Una sola neurona en el cerebro humano recibe miles de señales de otras neuronas. En una red neuronal artificial, las señales viajan entre los nodos y asignan los pesos correspondientes. Un nodo de mayor peso ejercerá más efecto en la siguiente capa de nodos. La capa final compila las entradas ponderadas para producir una salida. Los sistemas de aprendizaje profundo requieren un hardware potente porque tienen una gran cantidad de datos que se procesan e involucran varios cálculos matemáticos complejos. Sin embargo, incluso con un hardware tan avanzado, entrenar una red neuronal puede llevar bastante tiempo.

 

Los sistemas de aprendizaje profundo requieren grandes cantidades de datos para obtener resultados precisos; en consecuencia, la información se alimenta como grandes conjuntos de datos. Al procesar los datos , las redes neuronales artificiales son capaces de clasificar los datos con las respuestas recibidas de una serie de preguntas binarias de verdadero o falso que involucran cálculos matemáticos de alta complejidad. Por ejemplo, un programa de reconocimiento facial funciona aprendiendo a detectar y reconocer bordes y líneas de rostros, luego partes más significativas de los rostros y, finalmente, las representaciones generales de los rostros. Con el tiempo, el programa se entrena a sí mismo y aumenta la probabilidad de respuestas correctas. En este caso, el programa de reconocimiento facial identificará con precisión las rostros e identidades con el tiempo.

 

 

 

Aumento del aprendizaje profundo

 

Se dice que el aprendizaje automático ocurrió en la década de 1950 cuando Alan Turing, un matemático británico, propuso su "máquina de aprendizaje" artificialmente inteligente. Arthur Samuel escribió el primer programa de aprendizaje por computadora. Su programa hizo que una computadora IBM mejorara en el juego de damas cuanto más tiempo jugara. En las décadas siguientes, varias técnicas de aprendizaje automático se pusieron de moda y pasaron de moda.

 

Las redes neuronales fueron ignoradas en su mayoría por los investigadores de aprendizaje automático, ya que estaban plagadas de problemas de "mínimos locales" en los que las ponderaciones incorrectas parecían dar la menor cantidad de errores. Sin embargo, algunas técnicas de aprendizaje automático como la visión artificial y el reconocimiento facial avanzaron. En 2001, se desarrolló un algoritmo de aprendizaje automático llamado Adaboost para detectar rostros dentro de una imagen en tiempo real. Filtró imágenes a través de conjuntos de decisiones como "¿la imagen tiene un punto brillante entre parches oscuros, que posiblemente denota el puente de la nariz?" Cuando los datos se movieron más abajo en el árbol de decisión, la probabilidad de seleccionar la cara correcta de una imagen creció.

 

Las redes neuronales no volvieron a ser populares durante varios años más, cuando finalmente entraron en el mercado potentes unidades de procesamiento de gráficos. El nuevo hardware permitió a los investigadores usar computadoras de escritorio en lugar de supercomputadoras para ejecutar, manipular y procesar imágenes. El avance más significativo para las redes neuronales ocurrió debido a la introducción de cantidades sustanciales de datos etiquetados con ImageNet, una base de datos de millones de imágenes etiquetadas de Internet. La engorrosa tarea de etiquetar manualmente las imágenes fue reemplazada por el crowdsourcing, brindando a las redes una fuente prácticamente ilimitada de materiales de capacitación. En los años transcurridos desde que las empresas de tecnología han hecho que sus bibliotecas de aprendizaje profundo sean de código abierto. Los ejemplos incluyen Google Tensorflow , módulos de código abierto de Facebook para Torch, Amazon DSSTNE en GitHuby Microsoft CNTK.

 

 

 

 

 

 

Importancia del aprendizaje profundo

 

• El aprendizaje automático funciona solo con conjuntos de datos estructurados y semiestructurados, mientras que el aprendizaje profundo funciona tanto con datos estructurados como no estructurados.

• Los algoritmos de aprendizaje profundo pueden realizar operaciones complejas de manera eficiente, mientras que los algoritmos de aprendizaje automático no pueden

• Los algoritmos de aprendizaje automático utilizan datos de muestra etiquetados para extraer patrones, mientras que el aprendizaje profundo acepta grandes volúmenes de datos como entrada y analiza los datos de entrada para extraer características de un objeto.

• El rendimiento de los algoritmos de aprendizaje automático disminuye a medida que aumenta la cantidad de datos; por lo que para mantener el rendimiento del modelo, necesitamos un aprendizaje profundo

 

 

 

 

 

¿Qué son las Redes Neuronales?

 

Una red neuronal es un sistema modelado en el cerebro humano, que consta de una capa de entrada, varias capas ocultas y una capa de salida. Los datos se alimentan como entrada a las neuronas. La información se transfiere a la siguiente capa utilizando pesos y sesgos apropiados. La salida es el valor final predicho por la neurona artificial.

Cada neurona en una red neuronal realiza las siguientes operaciones:

• Se encuentra el producto de cada entrada y el peso del canal por el que se pasa.

• Se calcula la suma de los productos ponderados, que se denomina suma ponderada

• Se suma un valor de sesgo de la neurona a la suma ponderada

• La suma final se somete a una función particular conocida como función de activación.

 

 

 

 

 

La revolución del aprendizaje profundo

 

EL aprendizaje profundo nos muestra el potente camino disruptivo que nos atraviesa hoy con la Inteligencia Artificial. Miles de proyectos y automatización en respuesta de datos,  reconocimiento de patrones que aceleran los procesos tecnológicos de los proyectos, dejan el potencial de una innovación y revolución actual en todos los procesos cotidianos. Este es el año de la Inteligencia Artificial, donde todos los procesos tal cual los conocemos dejaran de existir para someterse a la transformación de forma definitiva del nuevo mundo del DEEP LEARNING.