El aprendizaje profundo (“Deep Learning”) es un área aprendizaje automático en que se estudian las redes neuronales profundas. Como se ha explicado en una entrada anterior el aprendizaje automático es a su vez un área de la inteligencia artificial. Por lo que los algoritmos de aprendizaje profundo solo a su vez algoritmos de inteligencia artificial.
Historia de las redes neuronales
La primera red neuronal se inventó en 1949 aunque en los primeros momentos no eran algoritmos eficaces. De hecho, hasta los años 2000 los algoritmos tradicionales de aprendizaje automático obtenían mejores rendimientos que los modelos basados en redes neuronales. Esto era porque había dos problemas que impedían su éxito: la falta de datos y la de capacidad computacional. Actualmente gracias a la proliferación de los sistemas Big Data es ya habitual disponer grandes conjuntos de datos para el entrenamiento. Además, las capacidades de cálculo computacional han aumentado considerablemente con el paso del tiempo. Por ejemplo, hoy día cualquiera puede acceder a superordenadores gracias a servicios como AWS o Microsoft Azure. Debido estos avances el aprendizaje profundo es una de las áreas de la inteligencia artificial con mayor crecimiento.
Diseño de las redes neuronales
El diseño de las redes neuronales se inspira en el funcionamiento de los cerebros biológicos basados en neuronas. En estos las neuronas individuales reciben señales procedentes de otras neuronas. Los transforma, mediante la utilización de una función, para enviar el resultado a las siguientes neuronas. Finalmente se produce una señal de salida que es el resultado de la red neuronal. Este modelo nos trata estrictamente a los ordenadores porque no son cerebros biológicos. No tiene neuronas, ni sinapsis, ni ningún otro mecanismo biológico con los que funcionan los cerebros. Debido a estos para construir las redes neuronales artificiales se utiliza la teoría de grafos.
Al estudiar las redes neuronales artificiales utilizando la teoría de grafos esta es una serie de capas de nodos conectados. Cada nodo representa una “neurona” y cada conexión representa una “sinapsis”.
Así una red neuronal profunda básica se divide en capas. Cada una de las capas consiste en una cantidad de neuronas que se conectan con la capa anterior y con la capa siguiente mediante conexiones. El peso que se le da a cada una de las conexiones es lo que diferencia las redes neuronales. Estos pesos han de ser calibrados y, si se hace correctamente, la red ofrecerá las predicciones deseadas.
Conclusiones
En esta entrada se ha visto en qué consiste el aprendizaje profundo. Ofreciendo una idea básica del mismo.
Imágenes: Pixabay
Deja una respuesta