El Deep Learning es una rama del Machine Learning que utiliza redes neuronales conocidas como "profundas" porque contienen varias capas de neuronas intermedias (u ocultas).
Cómo funciona el aprendizaje profundo
Se puede esquematizar de la siguiente manera:
- la capa de entrada recibe los datos a analizar;
- las capas intermedias se encargan de interpretar los datos de entrada, sin comunicarse con el exterior (por eso también se llaman capas ocultas): cada capa intermedia recibe una señal de la capa anterior y transmite una a la capa siguiente;
- la capa de salida sintetiza los datos tal y como han sido procesados por las capas intermedias, y calcula el valor de salida.
El aprendizaje de las redes neuronales profundas puede ser supervisado, semisupervisado o no supervisado.
Ventajas del Deep Learning
Una de las principales ventajas de los modelos de deep learning es que ellos mismos realizan la extracción de características de los datos que se les presentan. Si, por ejemplo, se somete un banco de imágenes de elefantes a un modelo de deep learning, no será necesario decirle por qué características podrá reconocer a un elefante (trompa, colmillos, orejas...): el algoritmo aprenderá por sí solo a identificar las características que le permitirán reconocer al animal en cuestión. Empezará, por ejemplo, identificando el contorno de pequeñas partes de la imagen, que agrupará en conjuntos (trompa, colmillos, etc.) de nivel cada vez más alto, hasta que sea capaz de identificar a un elefante.
CC BY-SA 4.0 - Sven Behnke
Una de las aplicaciones más conocidas del aprendizaje profundo es la inteligencia artificial generativa.
