Aprendizaje profundo

El aprendizaje profundo (también conocido como aprendizaje estructurado profundo) es parte de una familia más amplia de métodos de aprendizaje automático basados ​​en redes neuronales artificiales con aprendizaje de representación. El aprendizaje puede ser supervisado, semi-supervisado o no supervisado.

Las arquitecturas de aprendizaje profundo, como las redes neuronales profundas, las redes de creencias profundas, el aprendizaje de refuerzo profundo, las redes neuronales recurrentes y las redes neuronales convolucionales, se han aplicado a campos que incluyen visión por computadora, reconocimiento de voz, procesamiento de lenguaje natural, traducción automática, bioinformática, diseño de fármacos, medicina. programas de análisis de imágenes, ciencias climáticas, inspección de materiales y juegos de mesa, donde han producido resultados comparables y, en algunos casos, superando el desempeño de los expertos humanos.

Las redes neuronales artificiales (ANN) se inspiraron en el procesamiento de información y los nodos de comunicación distribuidos en los sistemas biológicos. Las ANN tienen varias diferencias con los cerebros biológicos. Específicamente, las redes neuronales artificiales tienden a ser estáticas y simbólicas, mientras que el cerebro biológico de la mayoría de los organismos vivos es dinámico (plástico) y analógico.

El adjetivo "profundo" en el aprendizaje profundo se refiere al uso de múltiples capas en la red. Los primeros trabajos mostraron que un perceptrón lineal no puede ser un clasificador universal, pero que una red con una función de activación no polinomial con una capa oculta de ancho ilimitado sí puede. El aprendizaje profundo es una variación moderna que se ocupa de un número ilimitado de capas de tamaño limitado, lo que permite una aplicación práctica y una implementación optimizada, al tiempo que conserva la universalidad teórica en condiciones moderadas. En el aprendizaje profundo, también se permite que las capas sean heterogéneas y se desvíen ampliamente de los modelos conexionistas informados biológicamente, en aras de la eficiencia, la capacidad de entrenamiento y la comprensión, de ahí la parte "estructurada".