El aprendizaje profundo es una forma poderosa de aprendizaje automático (ML) que construye estructuras matemáticas complejas llamadas redes neuronales que usan grandes cantidades de datos (información).
Definición de aprendizaje profundo
El aprendizaje profundo es una forma de implementar ML utilizando múltiples capas de redes neuronales para procesar tipos de datos más complejos. Algunas veces llamado aprendizaje jerárquico, el aprendizaje profundo utiliza diferentes tipos de redes neuronales para aprender características (también llamadas representaciones) y encontrarlas en grandes conjuntos de datos sin etiquetar (datos sin estructurar) sin procesar. Una de las primeras demostraciones innovadoras de aprendizaje profundo fue un programa que seleccionó con éxito imágenes de gatos de conjuntos de videos de YouTube.
Ejemplos de aprendizaje profundo en la vida diaria
El aprendizaje profundo no solo se utiliza en el reconocimiento de imágenes, sino también en la traducción de idiomas, la detección de fraudes y para analizar los datos recopilados por las empresas sobre sus clientes. Por ejemplo, Netflix utiliza el aprendizaje profundo para analizar sus hábitos de visualización y predecir qué programas y películas prefiere ver. Así es como Netflix sabe poner películas de acción y documentales de la naturaleza en su cola de sugerencias. Amazon usa el aprendizaje profundo para analizar sus compras recientes y los artículos que ha buscado recientemente para crear sugerencias para los nuevos álbumes de música country en los que probablemente esté interesado y que está en el mercado un par de tenis gris y amarillo. Zapatos. A medida que el aprendizaje profundo proporciona más y más información a partir de datos sin estructurar y en bruto, las empresas pueden anticipar mejor las necesidades de sus clientes mientras usted, el cliente individual, recibe un servicio al cliente más personalizado.
Redes neuronales artificiales y aprendizaje profundo
Para hacer que el aprendizaje profundo sea más fácil de entender, revisemos nuestra comparación de una red neuronal artificial (ANN). Para un aprendizaje profundo, imagine que nuestro edificio de oficinas de 15 pisos ocupa una manzana con otros cinco edificios de oficinas. Hay tres edificios a cada lado de la calle. Nuestro edificio es el edificio A y comparte el mismo lado de la calle que los edificios B y C. Al otro lado de la calle, el edificio A es el edificio 1, y al otro lado del edificio B, el edificio 2, y así sucesivamente. Cada edificio tiene un número diferente de pisos, está hecho de diferentes materiales y tiene un estilo arquitectónico diferente de los otros. Sin embargo, cada edificio todavía está organizado en pisos separados (capas) de oficinas (nodos), por lo que cada edificio es un ANN único.
Imagine que un paquete digital llega al edificio A, que contiene muchos tipos diferentes de información proveniente de múltiples fuentes, como datos basados en texto, secuencias de video, secuencias de audio, llamadas telefónicas, ondas de radio y fotografías; sin embargo, llega en una gran confusión. no está etiquetado o clasificado de ninguna manera lógica (datos no estructurados). La información se envía a través de cada piso en orden desde 1.S t hasta el 15th para procesar. Después de que el revoltijo de información llega a los 15.th piso (salida), se envía al 1S t el piso (entrada) del edificio 3 junto con el resultado del procesamiento final del edificio A. El edificio 3 aprende e incorpora el resultado enviado por el edificio A y luego procesa la confusión de información a través de cada piso de la misma manera. Cuando la información llega al último piso del edificio 3, se envía desde allí con los resultados de ese edificio hasta el edificio 1. El edificio 1 aprende e incorpora los resultados del edificio 3 antes de procesarlo piso por piso. El edificio 1 pasa la información y los resultados de la misma manera que el edificio C, que procesa y envía al edificio 2, que procesa y envía al edificio B.
Cada ANN (construcción) en nuestro ejemplo busca una característica diferente en los datos no estructurados (mezcla de información) y pasa los resultados a la siguiente construcción. El siguiente edificio incorpora (aprende) la salida (resultados) del anterior. A medida que los datos son procesados por cada ANN (edificio), se organizan y etiquetan (clasifican) por una característica particular, de modo que cuando los datos alcanzan la salida final (piso superior) de la última ANN (edificio), se clasifican y etiquetan (más estructurado).
Inteligencia artificial, aprendizaje automático y aprendizaje profundo
¿Cómo encaja el aprendizaje profundo en el cuadro general de la inteligencia artificial (IA) y el LD? El aprendizaje profundo aumenta el poder de ML y aumenta el rango de tareas que AI puede realizar. Debido a que el aprendizaje profundo se basa en el uso de redes neuronales y en el reconocimiento de características dentro de conjuntos de datos en lugar de algoritmos más simples para tareas específicas, puede encontrar y usar detalles de datos no estructurados (en bruto) sin la necesidad de que un programador los etiquete manualmente primero, una vez - Tarea de consumo que puede introducir errores. El aprendizaje profundo es ayudar a las computadoras a mejorar y usar mejor los datos para ayudar a corporaciones e individuos.
