Que és Deep Learning.

Deep Learning es una rama de la inteligencia artificial, inspirada en el funcionamiento del cerebro humano.
En él, redes neurales artificiales analizan grandes conjuntos de datos para descubrir automáticamente
patrones subyacentes sin la intervención humana. Hay diversas posibilidades de aplicaciones en campos
como las finanzas, seguridad, medicina, medio ambiente, marketing, comercio electrónico,
telecomunicaciones, entre otros.

Las redes neurales juegan un papel importante, tienen gran parte de su trabajo realizado en los años 1980 y
1990, pero los computadores eran lentos, y el conjunto de datos pequeños. Las investigaciones no
encontraron muchas aplicaciones en el mundo real. Como resultado, en la primera década del siglo 21, las
redes neurales desaparecieron del aprendizaje de las maquinas. El trabajo en redes neurales era periférico,
apareciendo con mayor presencia en la última década, primero en reconocimiento de voz en 2009, luego
visión computacional en 2012, las traducciones por la máquina en 2014, fue que las redes neurales
regresaran. ¿Pero que hizo que cambiara eso? Grandes datos y computadoras más veloces. Hoy las redes
neurales se encuentran en todas las partes. Si uno trabaja con datos, análisis o predicción, debería conocer
y trabajar con Deep Learning1.

Con el surgimiento del Big Data, se avanzó en el estudio de Inteligencia Artificial y consecuentemente del
Deep Learning -conjunto de algoritmos2 de clase aprendizaje automático3 (Machine Learning) que intenta
modelar abstracciones de alto nivel en datos usando arquitecturas compuestas de transformaciones no
lineales múltiples4- tomó más impulso. Entonces esos algoritmos de clase aprendizaje automático
desempeñan funciones sin que parezcan programados o mejor dicho “aprenden” mientras son utilizados.
Eso desencadena una nueva interrogante, ¿cómo funciona ese proceso de aprendizaje?

Existen diferentes algoritmos de Aprendizaje Automático que son organizados en una taxonomía -ciencia
de la clasificación- según la función de salida de los mismos. La clasificación es la base central del
aprendizaje automático. Estos aprendizajes pueden ser supervisados (clasificación), no supervisados
(análisis de padrones), semisupervisado, aprendizaje por refuerzo y transducción, los algoritmos de
Aprendizaje profundo pueden trabajar con datos estructurados y no estructurados.

Aprendizaje supervisado
El algoritmo establece una correspondencia entre entrada y salida deseada del sistema. Podemos citar de
ejemplo el problema de clasificación, donde el sistema crea etiquetas (tags). La base de conocimiento está
formada por ejemplos de etiquetados anteriores. La Red neuronal artificial es muy utilizado, estos sistemas
aprenden y se forman a sí mismos, en lugar de ser programados de forma explícita, suelen consistir en
varias capas o diseño de cubo. Las redes neuronales se basan en los números reales, con el valor de núcleo
y del axón siendo típicamente una representación entre 0 y 15.

1
https://www.udacity.com/course/deep-learning--ud730

2
Anexo 1
3
Anexo 2
4
Extraído del material de clase.
5
Anexo 3
Son impredecibles en su éxito con el auto-aprendizaje, algunos pueden ser exitosos y solucionadores de
problemas y otros pueden no funcionar tan bien. En su capacitación pueden necesitar varios ciclos de
iteración6.

Las redes neurales se utilizan para resolver tareas como la visión por computador y el reconocimiento de
voz.

Aprendizaje no supervisado
Es un método de Aprendizaje Automático donde el modelo es ajustado a las observaciones, no hay un
conocimiento a priori, trata a los objetos de entrada como un conjunto de variables aleatorias,
construyendo así un modelo de densidad para el conjunto de datos.

Aprendizaje por refuerzo

Inspirada en la psicología conductista, donde se trata de determinar qué acciones debe escoger un agente
de software en un entorno dado con el fin de maximizar una recompensa o premio acumulado. Se estudia
en muchas disciplinas, como la teoría de los juegos, teoría de control, investigación de operaciones, teoría
de la información, la optimización basada en la simulación, estadística y algoritmos genéticos. Muchos
algoritmos de aprendizaje por refuerzo son muy relacionados con técnicas de programación dinámica. El
programa AlphaGo desarrollado por Google para jugar al juego GO utiliza una combinación de técnicas de
aprendizaje de máquinas y árbol de búsqueda, combinadas con una amplia formación y una vez que había
alcanzado un cierto grado de habilidad fue utilizado el aprendizaje por refuerzo para mejorar su juego.

En resume, el algoritmo aprende observando lo circundante. Su información de entrada retroalimenta

como respuesta a sus acciones, entonces es un sistema que aprende en base a ensayo y error.

Transducción7
Trata de predecir las categorías de los futuros ejemplos basándose en ejemplos de entrada, sus categorías y
los ejemplos nuevos al sistema.

Se utiliza con algunas aplicaciones de redes neuronales recurrentes en problemas de predicción de

secuencia, como algunos problemas en el dominio del procesamiento del lenguaje natural. El aprendizaje
transductivo se utiliza en el campo de la teoría del aprendizaje estadístico para referirse a la predicción de
ejemplos específicos de un dominio8.

Según Vicent Vanhoucke, desarrollador de Deep Learning en Google, el enfoque inicial es concentrarse en
el problema de la clasificación. Cuando se toma una entrada, lo agrega a un conjunto de entrenamiento ya
clasificado, la meta seria cómo identificar a la nueva entrada dentro de los conjuntos de conocimiento. En
otras palabras, la clasificación es la base central para el problema de Aprendizaje profundo. Para Vicent los
4 tipos de clasificación serían Detección, Ranking, Regresión Lógica y Aprendizaje por refuerzo.

Imaginen que un auto se mueve solo por la calle y tiene que detectar peatones. La camera constantemente
dispara fotos, y el elemento de entrada sería un código binario (peatón / no peatón), esa es la clasificación

6
Anexo 4
7
Anexo 5
8
https://machinelearningmastery.com/transduction-in-machine-learning/
por detección. Ya en el caso del ranking podemos imaginar que uno está buscando una palabra en un
buscador de internet, la clasificación sería entre lo relevante y lo no relevante.

Otro método de clasificación sería la regresión logística, que se trata de un algoritmo comúnmente utilizado
para resolver problemas supervisados. Y por último el aprendizaje por refuerzo ya visto anteriormente.

ANEXOS

Los diagramas de flujo sirven para representar algoritmos de manera gráfica.

Aprendizaje automático

3
4

Relación entre inducción, deducción y transducción tomado de The Nature of Statistical Learning Theory.