Scribd
Cargar
29 vistas2 páginas

Introducción al Deep Learning y sus Usos

El deep learning es un tipo de aprendizaje profundo que utiliza redes neuronales artificiales jerárquicas para procesar y aprender de grandes conjuntos de datos. Este método es útil para la clasificación, predicción y extracción de conocimiento de datos. Algunas aplicaciones clave incluyen el reconocimiento de voz, caras y lenguaje, así como la reconstrucción de imágenes y traducción.

Cargado por

JEFFRY ALEXANDER RIVER BALDETTI
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
29 vistas2 páginas

Introducción al Deep Learning y sus Usos

El deep learning es un tipo de aprendizaje profundo que utiliza redes neuronales artificiales jerárquicas para procesar y aprender de grandes conjuntos de datos. Este método es útil para la clasificación, predicción y extracción de conocimiento de datos. Algunas aplicaciones clave incluyen el reconocimiento de voz, caras y lenguaje, así como la reconstrucción de imágenes y traducción.

Cargado por

JEFFRY ALEXANDER RIVER BALDETTI
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

Deep Learning

¿Qué es Deep Learning?


cuando hablamos de Inteligencia Artificial estamos generalmente hablando de redes neuronales
artificiales y Deep Learning, El Deep Learning es un tipo de algoritmos de aprendizaje automático
estructurado o jerárquico dicho de otra forma, tomar modelos existentes para predecir el futuro
con los datos disponibles.

El Deep Learning lleva a cabo el proceso de Machine Learning usando una red neuronal artificial
que se compone de un número de niveles jerárquicos. En el nivel inicial de la jerarquía la red
aprende algo simple y luego envía esta información al siguiente nivel. El siguiente nivel toma esta
información sencilla, la combina, compone una información algo un poco más compleja, y se lo
pasa al tercer nivel, y así sucesivamente.

¿Por y para qué es útil el Deep Learning?


El Aprendizaje Profundo o Deep Learning es un método de aprendizaje automático. Nos permite
entrenar una IA

El Deep Learning ha llamado mucho la atención por su potencial utilidad en distintos tipos de
aplicaciones en el “mundo real” (pueden aplicarse con éxito a grandes volúmenes de datos para el
descubrimiento y aplicación de conocimiento, así como a la realización de predicciones a partir de
él), principalmente debido a que obtiene tasas de éxito elevadas con entrenamiento “no
supervisado”.

Tipos de redes neuronales


Redes neuronales: es recibir un conjunto de entradas, realizar cálculos progresivamente
complejos en ellas y dar salida para resolver problemas del mundo real como la clasificación

redes convencionales. Son muy eficaces para procesar datos visuales y otros datos
bidimensionales.

redes neuronales recurrentes. Las conexiones entre unidades forman un ciclo, Pueden usar
su memoria interna para procesar secuencias arbitrarias.
Usos del Deep learning
Reconocimiento de voz. Las redes neuronales aplicadas en Deep Learning son capaces de modelar
todos los aspectos acústicos, fonéticos y lingüísticos asociados a esta tarea. Estas estructuras son
capaces de auto-codificar lenguajes.

Reconocimiento de caras y visión computacional. Esta aplicación es de plena actualidad para


dispositivos móviles y buscadores. Gracias a estas redes computacionales, es posible aprender
rasgos faciales característicos y distinguir caras

Reconstrucción de escenas. El Deep Learning ha permitido la relación computacional con las


imágenes permitiendo la identificación detección, restauración de imágenes y reconstrucción de
escenas

Los traductores inteligentes: el que utiliza Google se vale de esta tecnología para aprender de
forma similar al comportamiento humano.

VENTAJAS DE DEEP LEARNING


- Mayor conocimiento de las necesidades, gustos y hábitos de compra de los clientes al
poder analizar y computar todos sus datos a través de estos algoritmos.
- Mejorar la comunicación y relación con el cliente, registrando e interpretando sus
emociones y opiniones y adaptar el trato al usuario
- Mayor productividad y eficiencia al mejorar los tiempos de respuesta.
- Optimización de los sistemas y procesos logísticos de tareas espesificas.

También podría gustarte