Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El problema que los autores desean resolver es aprovechar al máximo el potencial que
ofrecen las redes neuronales artificiales profundas en casi todos los campos, ya que se han
convertido en los algoritmos de vanguardia en aprendizaje automático, reconocimiento de
voz, visión por computadora, procesamiento del lenguaje natural y muchas otras tareas. Es
por ello, que en este trabajo se presenta una descripción general de las principales
arquitecturas de las redes neuronales artificiales profundas y su utilidad en Farmacología y
Bioinformática.
La importancia de la problemática radica en que durante las últimas décadas, las técnicas
de aprendizaje automático utilizadas en aplicaciones farmacéuticas y bioinformáticas fueron
superficiales, poco profundos, con solo unas pocas capas de transformaciones de
características. Algunos de los algoritmos más utilizados son: análisis de componentes
principales, agrupamiento de k-medias, árboles de decisión, máquinas de vectores de
soporte (SVM) y redes neuronales artificiales (ANN). (Puri, M.; Pathak, Y.; Sutariya, V.K.;
Tipparaju, S.; Moreno, W, 2015)
Aunque las redes neuronales artificiales pronto se identificaron como herramientas útiles
para la farmacología y la bioinformática, las máquinas de vectores de soporte y el bosque
aleatorio hicieron grandes progresos, dominando el campo hasta hace poco. Las razones
de la aplicación limitada de las redes neuronales artificiales fueron: escasez de datos,
dificultad para comprender las características extraídas y el costo computacional que
conlleva la capacitación de la red.
Algunos de los desafíos incluyen desarrollar medicamentos más seguros, reducir los costos
de los ensayos clínicos, así como explorar nuevas alternativas, como antibióticos
novedosos, para luchar contra los microorganismos resistentes; y finalmente, extraer
información de valor de la gran cantidad de datos generados por la salud pública.
Durante la última década, las Redes Neuronales Artificiales Profundas se han convertido en
los algoritmos más avanzados de Machine Learning en reconocimiento de voz, visión por
computadora, procesamiento de lenguaje natural y muchas otras tareas. Esto fue posible
gracias al avance en Big Data, Deep Learning y el aumento exponencial de las capacidades
de procesamiento de chips, especialmente la computación de propósito general en
unidades de procesamiento gráfico (GPGPU).
DL es una rama de ML que intenta imitar el procesamiento de información en capas de
neuronas en la neocorteza. Los DNN están capacitados para aprender a reconocer
patrones en representaciones digitales de sonidos, imágenes y otros datos. Por lo general,
hay un proceso de entrenamiento previo sin supervisión, que ayuda a inicializar los pesos.
Existen diferentes arquitecturas de DNN, pero en esta revisión solo se explican brevemente
los tipos más representativos, los dividimos en: Deep Auto-Encoder Networks (DAENs),
Deep Convolutional Neural Networks (DCNNs) y Deep Recurrent Neural Networks
(DRNNs). Los DAEN abarcan redes neuronales de alimentación profunda (DFNN), redes de
creencias profundas (DBN), máquinas Boltzmann de restricción profunda (DRBM) y redes
de codificación automática profunda. Hay diferencias entre estas arquitecturas, pero tienen
en común grandes diferencias con respecto a DCNN y DRNN. Estas diferencias se
destacan, y algunas aplicaciones destacadas en farmacología y bioinformática de cada
arquitectura se presentan en la Tabla 2. Para una descripción más detallada análisis de la
arquitectura DL, las diferencias, la formación y la perspectiva histórica, el lector
debe hacer referencia a estas revisiones
¿?