Aprendizaje Profundo
Diana Laura García Gutiérrez
• Se define como un algoritmo automático
estructurado o jerárquico que emula el
aprendizaje humano con el fin de obtener
ciertos conocimientos.
Deep
• Destaca porque no requiere de reglas
Learning programadas previamente, sino que el propio
sistema es capaz de «aprender» por sí mismo
para efectuar una tarea a través de una fase
previa de entrenamiento.
• Usa 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.
Lleva a cabo el proceso de
Machine Learning usando una
red neuronal artificial que se compone de un
número
de niveles jerárquicos.
• Los algoritmos que componen un sistema de aprendizaje profundo se encuentra en
diferentes capas neuronales compuestas por pesos (números). El sistema está
dividido principalmente en 3 capas:
•
Deep Learning se • Capa de entrada (Intup Layer): Está compuesto por las neuronas que asimilan los
datos de entrada, como por ejemplo imagen o una tabla de datos.
maneja con •
neurotecnología •
• Capa oculta (Hidden Layer): Es la red que realiza el procesamiento de
información y hacen los cálculos intermedios. Cada más neuronas en esta capa haya,
más complejos son los cálculos que se efectúan.
•
•
• Salida (Output Layer): Es el último eslabón de la cadena, y es la red que toma la
decisión o realiza alguna conclusión aportando datos de salida.
¿Por y para qué es útil el Deep Learning?
Utilización de imágenes en
- Identificar marcas y - Monitorización en
lugar de palabras clave para - Orientación de anuncios
logotipos de empresas en tiempo real de reacciones en
buscar productos de una y predicción de las
fotos publicadas en redes canales online durante el
empresa, o artículos preferencias de los clientes.
sociales. lanzamiento de productos.
similares.
- Exploración de la - Detección, predicción y
- Identificación en textos
posibilidad de reutilización de prevención de amenazas - Localización de caras e
de sentimientos positivos y
fármacos ya conocidos y sofisticadas en tiempo real en identificación de emociones
negativos, temas y palabras
probados para su uso contra el campo de la faciales.
clave.
nuevas enfermedades. ciberseguridad.
- Reconocimiento de voz. - Clasificación de vídeos.
• Identificación y seguimiento de los niveles de
confianza de los clientes, sus opiniones y
actitud en diferentes canales online y servicios
de soporte automatizado al cliente.
• Identificación de clientes potenciales.
• Detección de fraudes, recomendaciones a
¿Por y para qué es útil clientes, gestión de relaciones con los clientes,
etc.
el Deep Learning? • Mejor comprensión de enfermedades,
mutaciones de enfermedades y terapias
genéticas.
• Análisis de imágenes médicas, como
radiografías y resonancias magnéticas,
aumentando la precisión diagnóstica, en un
menor tiempo y con un menor coste que los
métodos tradicionales.
• El deep learning (DL) forma parte del aprendizaje automático. De hecho,
se puede describir como la nueva evolución del machine learning. Se
trata de un algoritmo automático que imita la percepción humana
inspirada en nuestro cerebro y la conexión entre neuronas. El DL es la
técnica que más se acerca a la forma en la que aprendemos los humanos.
