Qué Es Deep Learning
Los modelos de Deep Learning introducen un enfoque extremadamente sofisticado para el aprendizaje automático y están configurados para abordar estos desafíos porque se han modelado específicamente a partir del cerebro humano. Las "redes neuronales profundas" complejas y de múltiples capas se construyen para permitir que los datos se transmitan entre nodos (como neuronas) de maneras altamente conectadas. El resultado es una transformación no lineal de los datos que es cada vez más abstracta. Si bien se necesitan enormes volúmenes de datos para 'alimentar y construir' un sistema de este tipo, puede comenzar a generar resultados inmediatos, y hay relativamente poca necesidad de intervención humana una vez que los programas están implementados.
Tipos de Algoritmos de Deep Learning
Un número creciente de algoritmos de Deep Learning hacen que estos nuevos objetivos sean alcanzables. Cubriremos dos aquí solo para ilustrar algunas de las formas en que los científicos e ingenieros de datos aplican el Deep Learning en el campo.
Redes Neuronales Convolucionales
Las redes neuronales convolucionales son algoritmos especialmente construidos diseñados para trabajar con imágenes. La 'convolución' en el título es el proceso que aplica un filtro basado en el peso en cada elemento de una imagen, lo que ayuda a la computadora a comprender y reaccionar a los elementos dentro de la imagen misma. Esto puede ser útil cuando necesita escanear un gran volumen de imágenes para un elemento o característica específica; por ejemplo, imágenes del fondo del océano para señales de un naufragio, o una foto de una multitud para el rostro de una sola persona. Esta ciencia del análisis y la comprensión de imágenes/vídeos informáticos se denomina "visión artificial " y representa un área de gran crecimiento en la industria en los últimos 10 años.
Redes Neuronales Recurrentes
Mientras tanto, las redes neuronales recurrentes introducen un elemento clave en el aprendizaje automático que está ausente en los algoritmos más simples: la memoria. La computadora es capaz de mantener puntos de datos y decisiones pasadas 'en mente', y considerarlos al revisar los datos actuales, introduciendo el poder del contexto. Esto ha convertido a las redes neuronales recurrentes en un foco importante para el trabajo de procesamiento del lenguaje natural. Al igual que con un ser humano, la computadora hará un mejor trabajo al comprender una sección de texto si tiene acceso al tono y al contenido anterior. Del mismo modo, las direcciones de conducción pueden ser más precisas si la computadora 'recuerda' que todos los que siguen una ruta recomendada un sábado por la noche tardan el doble en llegar a su destino.