Aprendizaje profundo

Ir a la navegaciónIr a la búsqueda
Aprendizaje profundo (en inglés, 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. 1
El aprendizaje profundo es parte de un conjunto más amplio de métodos de
aprendizaje automático basados en asimilar representaciones de datos. Una
observación (por ejemplo, una imagen) puede ser representada en muchas formas
(por ejemplo, un vector de píxeles), pero algunas representaciones hacen más fácil
aprender tareas de interés (por ejemplo, "¿es esta imagen una cara humana?") sobre
la base de ejemplos, y la investigación en esta área intenta definir qué
representaciones son mejores y cómo crear modelos para reconocer estas
representaciones.
Varias arquitecturas de aprendizaje profundo, como redes neuronales profundas,
redes neuronales profundas convolucionales, y redes de creencia profundas, han sido
aplicadas a campos como visión por computador, reconocimiento automático del
habla, y reconocimiento de señales de audio y música, y han mostrado producir
resultados de vanguardia en varias tareas.

Índice

 1Definiciones
 2Computación en la nube
o 2.1Las GPU para procesamiento general
o 2.2Las GPU en la nube
o 2.3Google Cloud y TensorFlow
 3Referencias
 4Enlaces externos

Definiciones[editar]
No existe una única definición de aprendizaje profundo. En general se trata de una
clase de algoritmos ideados para el aprendizaje automático. A partir de este punto
común, diferentes publicaciones se centran en distintas características, por ejemplo:

 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 umbrales2
(p6)
. No existe un estándar de facto para el número de transformaciones (o capas) que
convierte a un algoritmo en profundo, pero la mayoría de investigadores en el campo
considera que aprendizaje profundo implica más de dos transformaciones intermedias2
(p7)
.

Computación en la nube[editar]
Las GPU para procesamiento general[editar]
Conocidas como GPGPU, las tarjetas de vídeo para procesamiento general permiten
ejecutar los algoritmos de entrenamiento y evaluación de los modelos de aprendizaje
profundo. Debido a la naturaleza altamente paralelizable de estos problemas, la
utilización de las GPGPU permite un aumento en el desempeño de varios órdenes de
magnitud.
Las GPU en la nube[editar]
Los grandes proveedores de servicios en la nube han comenzado a ofrecer servicios
de infraestructura especializados para procesamiento con GPU. Nvidia se ha asociado
con diversos proveedores para ofrecer dichos servicios, Amazon, Azure e IBM por
nombrar algunos.3
Google Cloud y TensorFlow[editar]
Acompañando a su plataforma TensorFlow, Google introdujo la Machine Learning
Platform, que provee servicios de aprendizaje automático modernos con modelos
preentrenados y un servicio para generar modelos personalizables. A diferencia de los
otros proveedores, se presenta como una alternativa PaaS más que un IaaS.

Referencias[editar]

1. ↑ Y. Bengio, A. Courville, and P. Vincent., "Representation Learning: A

Review and New Perspectives," IEEE Trans. PAMI, special issue Learning
Deep Architectures, 2013 (en inglés)
2. ↑ Saltar a:a b J. Schmidhuber, "Deep Learning in Neural Networks: An
Overview" http://arxiv.org/abs/1404.7828, 2014
3. ↑ «GPU Cloud Computing Solutions from NVIDIA». www.nvidia.com.
Consultado el 18 de noviembre de 2016.

Enlaces externos[editar]

 Artículo en español sobre aprendizaje profundo usando redes de neuronas

 Información sobre aprendizaje profundo de la Universidad de Montreal [1] (en
inglés)
 Página web de Geoffrey Hinton [2] (en inglés)
 Tutorial de aprendizaje profundo de Hinton [3] (en inglés)
 Página web de Yann LeCun [4] (en inglés)
 Centro para el Aprendizaje Biológico y Computacional (CBCL - Center for
Biological and Computational Learning) [5] (en inglés)
 Tutorial de Stanford en aprendizaje profundo y aprendizaje de rasgos sin
supervisión [6] (en inglés)
 DistBelief Framework de Google [7] (en inglés)
 Deeplearning4j Framework [8] en Java. (en inglés)
 Conferencia NIPS 2013 (presentaciones sobre material relacionado de
aprendizaje profundo) [9] (en inglés)
 Tipos de Aprendiaje "Machine Learning" [10] (en español)