Scribd
Cargar
153 vistas4 páginas

Deep Learning Una Introducción Práctica

El documento proporciona una introducción al aprendizaje profundo. Explica que el aprendizaje profundo es un subconjunto del aprendizaje automático que utiliza redes neuronales inspiradas en el cerebro humano para aprender de grandes conjuntos de datos. Los algoritmos de aprendizaje profundo mejoran los resultados de forma incremental a través de múltiples capas profundas. El aprendizaje profundo se ha aplicado con éxito en diversas industrias como la salud, el transporte y más.

Cargado por

daniela ortiz
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
153 vistas4 páginas

Deep Learning Una Introducción Práctica

El documento proporciona una introducción al aprendizaje profundo. Explica que el aprendizaje profundo es un subconjunto del aprendizaje automático que utiliza redes neuronales inspiradas en el cerebro humano para aprender de grandes conjuntos de datos. Los algoritmos de aprendizaje profundo mejoran los resultados de forma incremental a través de múltiples capas profundas. El aprendizaje profundo se ha aplicado con éxito en diversas industrias como la salud, el transporte y más.

Cargado por

daniela ortiz
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
Está en la página 1/ 4

Deep Learning Una introducción práctica

Primero hay que dejar claro que es el Deep Learning es un subconjunto del aprendizaje automático
(parte de la inteligencia artificial a su vez) en el que las redes neuronales y los algoritmos inspirados
en cómo funciona el cerebro humano aprenden de los grandes datos.
Los algoritmos de aprendizaje profundo realizan una tarea iterativa que mejora los resultados de
forma incremental a través de capas profundas, lo que permite un aprendizaje incremental. Este
proceso es parte de un grupo más grande de métodos de aprendizaje automático basados en redes
neuronales.
El aprendizaje profundo ha tenido un gran impacto en todas las industrias. Por ejemplo, en las
ciencias de la vida, el aprendizaje profundo se puede utilizar para el análisis avanzado de imágenes,
la investigación, el descubrimiento de fármacos, la predicción de problemas de salud y síntomas de
enfermedades, y la aceleración del conocimiento. Conocimiento a partir de secuencias genómicas.
En el transporte, puede ayudar a los vehículos autónomos a adaptarse a las condiciones
cambiantes; A su vez, se utiliza para proteger la infraestructura crítica. Con el tiempo, existe una
idea errónea cada vez mayor de que el aprendizaje profundo es una tecnología que compite con el
aprendizaje automático.
En resumen, el aprendizaje profundo es un subcampo del aprendizaje automático. Con cómputo
acelerado y grandes conjuntos de datos. Los algoritmos de aprendizaje profundo pueden auto
aprender patrones ocultos en los datos para hacer predicciones.
Básicamente, puede pensar en el aprendizaje profundo como una rama del aprendizaje automático
que se entrena con grandes cantidades de datos y procesa múltiples unidades computacionales que
trabajan juntas para hacer predicciones.

Aprendizaje supervisado (Supervised Machine Learning).


En los algoritmos de aprendizaje supervisado, se genera un modelo predictivo, basado en datos de
entrada y salida. La palabra clave 'moderado' proviene de la idea de que hay un conjunto de datos
clasificados y etiquetados previamente, es decir, un conjunto de muestras, por ejemplo, se conoce el
conjunto, el valor o la categoría. Con este conjunto de datos, al que llamamos datos de
entrenamiento, se realizan modificaciones al modelo original propuesto. Así es como el algoritmo
"aprende" a clasificar las muestras de entrada comparando los resultados del modelo y las etiquetas
de las muestras reales, haciendo las compensaciones correspondientes para el modelo en función
de cada error de estimación resultante. Por ejemplo, el aprendizaje supervisado se ha utilizado para
programar vehículos autónomos.
Aprendizaje no supervisado (Unsupervised Machine Learning)
Los algoritmos de aprendizaje no supervisados funcionan de manera muy similar a los algoritmos
supervisados, excepto que solo ajustan su modelo predictivo considerando los datos de entrada,
independientemente de los datos de salida. Es decir, a diferencia de Moderado, los datos de entrada
no se categorizan ni etiquetan y estas características no son necesarias para entrenar el modelo. En
este tipo de algoritmo se utiliza el algoritmo de clustering o clustering inglés, que divide los datos en
grupos que tienen propiedades similares entre sí. Una aplicación de estos métodos es la compresión
de imágenes.
Aprendizaje por refuerzo (Reinforcement Learning)
Los algoritmos de aprendizaje por refuerzo identifican patrones y funciones centrados en maximizar
la métrica de "recompensa", en función de la "acción" y el entorno en el que operará el agente
inteligente. Este algoritmo es el más cercano a la psicología del comportamiento humano, ya que es
un modelo de recompensa de acción que busca adaptar el algoritmo a la mejor “recompensa”
otorgada por el entorno y las acciones realizadas, y el rendimiento se rige por estas recompensas.
Este tipo de métodos se pueden utilizar para enseñar a los robots a realizar diferentes tareas.

Concepto de neurona Perceptron

También podría gustarte