Deep-Learning

Generalidades-DL

Nota: (El Deep-Learning describe un método de aprendizaje automático que utiliza redes neuronales artificiales con numerosas capas intermedias entre la capa de entrada y la capa de salida. Es un método especial de procesamiento de información).

Maneras de definir (Deep Learning)

  • Aprendizaje profundo (Deep Learning) es un conjunto de algoritmos de aprendizaje-automático (en inglés, machine-learning) que intenta modelar abstracciones de alto nivel en datos usando arquitecturas computacionales que admiten transformaciones no lineales múltiples e iterativas de datos expresados en forma matricial o tensorial. El aprendizaje profundo es parte de un conjunto más amplio de métodos de aprendizaje-automático basados en asimilar representaciones de datos. Varias arquitecturas de aprendizaje profundo, como redes neuronales profundas.
  • Usar una cascada de capas con unidades de procesamiento no lineal para extraer y transformar variables. Cada capa usa la salida de la capa anterior como entrada. Los algoritmos pueden utilizar aprendizaje supervisado o aprendizaje no supervisado, y las aplicaciones incluyen modelización de datos y reconocimiento de patrones .
  • Estar basados en el aprendizaje de múltiples niveles de características o representaciones de datos. Las características de más alto nivel se derivan de las características de nivel inferior para formar una representación jerárquica.
  • Aprender múltiples niveles de representación que corresponden con diferentes niveles de abstracción. Estos niveles forman una jerarquía de conceptos.
  • Todas estas maneras de definir el aprendizaje profundo tienen en común: múltiples capas de procesamiento no lineal; y el aprendizaje supervisado o no supervisado de representaciones de características en cada capa. Las capas forman una jerarquía de características desde un nivel de abstracción más bajo a uno más alto.
  • Los algoritmos de aprendizaje profundo contrastan con los algoritmos de aprendizaje poco profundo por el número de transformaciones aplicadas a la señal mientras se propaga desde la capa de entrada a la capa de salida. Cada una de estas transformaciones incluye parámetros que se pueden entrenar como pesos y umbrales . No existe un estándar de facto para el número de transformaciones (o capas) que convierte a un algoritmo en profundo, pero la mayoría considera que aprendizaje profundo implica más de dos transformaciones intermedias

 

(Deep Learning Algorithms)

  • El aprendizaje profundo (Deep Learning) ha ganado una popularidad en la informática científica y sus algoritmos son ampliamente utilizados por industrias que resuelven problemas complejos. Todos los algoritmos de aprendizaje profundo utilizan diferentes tipos de Redes Neuronales para realizar tareas específicas.
  • Es esencial examinar las redes Neuronales Artificiales y cómo funcionan los algoritmos de aprendizaje profundo para imitar el cerebro humano .

 

Qué es Deep-Learning

El aprendizaje profundo(Deep Learning) utiliza (redes neuronales artificiales) para realizar cálculos sofisticados en grandes cantidades de datos. Es un tipo de aprendizaje automático que funciona en función de la estructura y función del cerebro humano.

Los algoritmos de aprendizaje profundo entrenan a las máquinas aprendiendo de ejemplos. Industrias como la atención médica, el comercio electrónico, el entretenimiento y la publicidad suelen utilizar el aprendizaje profundo.

Cómo funcionan los algoritmos Deep-Learning

Si bien los algoritmos de aprendizaje profundo cuentan con representaciones de auto aprendizaje, dependen de las RNA que reflejan la forma en que el cerebro calcula la información. Durante el proceso de entrenamiento, los algoritmos utilizan elementos desconocidos en la distribución de entrada para extraer características, agrupar objetos y descubrir patrones de datos útiles. Al igual que las máquinas de entrenamiento para el autoaprendizaje, esto ocurre en múltiples niveles, utilizando los algoritmos para construir los modelos.

Los modelos de aprendizaje profundo utilizan varios algoritmos. Si bien ninguna red se considera perfecta, algunos algoritmos son más adecuados para realizar tareas específicas. Para elegir los correctos, es bueno obtener una comprensión sólida de todos los algoritmos primarios.

Nota: Este diagrama nos muestra una visión, donde nos encontramos cuando hablamos de (Deep-Learning) en cual vemos donde se esta produciendo los últimos grandes avaneces (Deep-Learning).

 

Recopilación

  • El Aprendizaje Profundo utiliza Algoritmos de Redes Neuronales Artificiales que imitan el comportamiento biológico del cerebro.
  • Hay 3 tipos de Capas de Neuronas: de Entrada, Ocultas y de Salida.
  • Las conexiones entre neuronas llevan asociadas un peso, que denota la importancia del valor de entrada en esa relación.
  • Las neuronas aplican una Función de Activación para Estandarizar su valor de salida a la próxima capa de neuronas.
  • Para entrenar una red neuronal necesitaremos un gran conjunto de datos.
  • En el conjunto de datos comparar sus salidas producirá una Función Coste que indicará cuán alejado está nuestra predicción del valor real.
  • Luego de cada iteración del conjunto de datos de entrada, se ajustarán los pesos de las neuronas utilizando el Descenso de Gradiente para reducir el valor de Coste y acercar las predicciones a las salidas reales.

 

Recopilando:

El principales componente de (Deed-Learning) de una forma simple son las (Neuronal-Network) y su Algorismos y Funciones .