Deep learning
¿Qué es Deep Learning?
El Deep Learning, una rama del Machine Learning, busca replicar el funcionamiento del cerebro humano a través de redes neuronales. Estas redes permiten que la inteligencia artificial aprenda de manera autónoma a partir de grandes volúmenes de datos. Se aplica eficazmente en tareas como el reconocimiento de voz, la identificación de imágenes y la predicción, utilizando capas de neuronas que trabajan en conjunto para lograr estos objetivos.
¿Cuál es la diferencia entre Deep Learning y Machine Learning?
No hay una distinción estricta: el Deep Learning es un subconjunto del Machine Learning, diseñado para realizar predicciones de manera óptima a través del análisis profundo de grandes volúmenes de datos (Big Data).
El Cerebro Humano y Deep Learning
El Deep Learning busca emular el funcionamiento del cerebro humano. En donde, se dispone de una unidad computacional denominada perceptrón, la cual posibilita modelar funciones no lineales de manera significativa.
La magia del Perceptrón
El perceptrón es la base principal del Deep Learning, es decir, cada neurona (o perceptrón), los cuales tienen la tarea de reconocer características específicas de los datos y establecer relaciones entre ellas.
¿Como funciona el Percepetrón?
Entendida la idea principal de cómo trabaja el mecanismo del Deep Learning, ahora veamos cómo está estructurado el perceptrón y la red neuronal. Como mencionamos antes, la red neuronal tiene una capa de entradas que recibe los datos. En esta etapa, la neurona asigna valores de peso (weights) a cada característica de los datos y también asigna un valor constante llamado Bias. Este Bias representa el posible error que puede surgir cuando la neurona subestima o sobreestima el peso de cada característica.
Luego de esta etapa, los datos avanzan a una capa oculta que contiene una función de activación. Esta función es crucial porque, al salir de la neurona, establece un límite o umbral que ajusta el valor resultante. Esto significa que modifica el resultado o impone un límite que debe superarse para pasar a otra neurona. Finalmente, llegamos a la última capa, la de salida (Outputs o y), que interpreta los pesos asignados por cada neurona a las características. A través de la capa oculta, genera una predicción basada en los datos estudiados por la red neuronal.
En resumen, para simplificar, los inputs (normalmente llamados X) se les asigna un valor de peso (Weight) que puede subestimar o sobrestimar, y este valor se limita a un rango específico y una forma estadística particular. En la última capa, la red neuronal estudia estos datos para producir una predicción o resultado. Este proceso se resume en la fórmula que se muestra en la imagen anterior, donde la suma de los inputs multiplicados por los pesos, sumada al Bias dentro de la función de activación, nos da nuestra predicción.
