Deep learning
¿Qué es Deep Learning?
El Deep Learning, o aprendizaje profundo, es una rama del Machine Learning que 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?
En realidad, no hay una distinción estricta entre ambos: el Deep Learning es un subconjunto del Machine Learning. Su principal característica es que está 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 mediante una unidad computacional denominada perceptrón, la cual permite modelar funciones no lineales de manera significativa.
La magia del Perceptrón
El perceptrón es la base principal del Deep Learning. Cada neurona (o perceptrón) tiene la tarea de reconocer características específicas de los datos y establecer relaciones entre ellas.
¿Como funciona el Percepetrón?
El perceptrón es la unidad fundamental de una red neuronal. Su funcionamiento comienza con una capa de entrada que recibe los datos. En esta etapa, cada neurona asigna valores de peso (weights) a cada característica de los datos, junto con un valor constante llamado Bias, que representa el posible error cuando la neurona subestima o sobreestima el peso de una característica. Luego, los datos avanzan a una capa oculta que contiene una función de activación, la cual establece un umbral que ajusta el valor resultante y determina si debe pasar a la siguiente neurona. Finalmente, la capa de salida interpreta los pesos asignados y genera una predicción basada en los datos estudiados. En resumen, los inputs (X) reciben un peso (Weight) que puede subestimar o sobreestimar, se limita a un rango específico y, mediante la función de activación, la red produce una predicción. Este proceso se resume en la fórmula donde la suma de los inputs multiplicados por los pesos, más el Bias dentro de la función de activación, genera el resultado final.
