¿Qué es el Deep Learning?
?
Deep Learning es uno de los métodos de aprendizaje de la inteligencia artificial, y a día de hoy pertenece a un subcampo del Machine Learning
¿es un algoritmo? si,este algoritmo no fue conocido hasta que en 1980 fue re-descubierto por un licenciado de la Universidad de Psicología Experimental de Cambridge
¿a que se atribuye? Se le atribuye el mérito a Geoffrey de ser el padrino del Deep Learning al recibir el premio Fundación de BBVA Fronteras del Conocimiento en 2017
su máximo apogeo no llegó hasta el año 2010, debido principalmente al gran límite que tenían los procesos de computación de la época. Con la inserción de las redes sociales, así como el desarrollo del mundo web, se multiplica la generación de datos por individuo, lo que hace surgir una necesidad inmediata de herramientas y tecnologías que permitan aprovechar estos datos: el Big Data
Deep Learning o aprendizaje profundo
se define como un algoritmo automático estructurado o jerárquico que emula el aprendizaje humano con el fin de obtener ciertos conocimientos. Destaca porque no requiere de reglas 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.
A su vez, también se caracteriza por estar compuesto por redes neuronales artificiales entrelazadas
¿como funciona la depp learning?Imagina que queremos que una maquina sea capaz de identificar si hay algún perro dentro de una imagen. Para ello tendríamos que programar un algoritmo de una manera semejante a la imagen superior, dividiendo las funciones de cada capa neuronal en un proceso de entrada, procesamiento y salida.
Capa de entrada (Intup Layer): 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.
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.
Hay que mencionar, que las redes neuronales pueden ser virtuales, es decir, creadas en un espacio ficticio dentro de un ordenador como pueden ser los Open Sources Scili Learn, TensorFlow, Keras o Mcrosoft CNTk, o pueden estar compuestas por silicio, el material más apropiado para crear redes neuronales físicas y tangibles. Un ejemplo este sistema es de Qualcomm Zeroth. (Arriba video ejemplo).
para la entrada de datos:endríamos que crear una capa que asimile la información introducida. En este caso, necesitaríamos que las neuronas desmembraran la imagen en pixeles, así, cada trozo de imagen se envía a las diferentes neuronas de la segunda capa.
Después, la capa de segundo nivel tiene como objetivo procesar cada uno de los pixeles delimitando los bordes dentro de los pixeles (separando los vectores dentro de los pixeles). En el tercer nivel se combinarían los bordes para diseñar las formas, y constituir cada uno de los objetos de la imagen.
En la capa de cuarto nivel, se utilizan los filtros del sistema para reconocer qué objetos son perros, y cuáles no, como pueden ser tener cuatro patas, tener una cola y un hocico. Como último paso, la capa 4 traspasa los datos a la última capa, el cual combina las características identificadas para reconocerse si es un «perro» o no por medio de conclusiones parciales, es decir, este fragmento es una cola de un animal, por tanto sí puede ser un perro. Si tiene cuatro patas, sí tiene características de perro… así hasta entregar todos los fragmentos de información a la capa de salida y que este ofrezca una conclusión.
aplicaciones de la deep learnig:El aprendizaje profundo tiene especial aplicación en el área de la medicina mediante diagnósticos médicos, y en el mercado financiero por medio de modelos predictivos
Traductores inteligentes: El servicio de Google Translate se aprovecha de esta tecnología para obtener características del comportamiento humano. Así, el sistema aprende de las traducciones corregidas para aplicarla en futuras consultas.
Lenguaje natural hablado y escrito: Uno de los ejemplos más utilizados son Siri (asistente de Apple) o Cortana (asistente de Windows). A título de ejemplo, si a alguno de estos sistemas le dices que te cuente un chiste, este responderá con un chiste. Si le preguntas dónde puedes comer, te aparecerá en Google Maps todos los lugares cercanos según tus preferencias.
Reconocimiento de voz:s una de las cosas que están revolucionando el mundo de los buscadores. Según diversos estudios, estamos dirigiéndonos a realizar búsquedas mediante la voz,
Interpretación semántica:Lograr que una maquina entienda un comentario de un usuario en redes sociales es bastante complicado, ya que las palabras por sí solas no tienen valor
Reconocimiento facial: Uno de los usos más típicos es el uso de softwares que puedan reconocer la cara y los gestos de una persona.
Visión computacional: El propio buscador es capaz de identificar imágenes semejantes a esa, lo que utiliza un Deep Learning semejante al del ejemplo mencionado anteriormente