¿Qué es el aprendizaje profundo? Redes neuronales

Deep learning

Se trata de una subárea del machine learning capaz de resolver problemas de gran complejidad mediante una enorme cantidad de información.

Para ello se emplean redes neuronales, organizadas en capas, capaces de identificar patrones complejos en los datos de partida. Se requiere por tanto una gran cantidad de información, así como una capacidad de procesamiento muy potente. Su objetivo es tratar de reproducir el comportamiento del cerebro humano, replicando su estructura de interconexión de neuronas para crear modelos que sean capaces de tomar decisiones inteligentes.

Redes neuronales

Se puede definir como un modelo computacional y matemático compuesto de unidades procesadoras adaptativas con una alta interconexión entre ellas, cuyo objetivo es emular el comportamiento del cerebro humano organizándose siguiendo su estructura y empleando técnicas de procesado de la información.

Las redes neuronales artificiales se organizan en forma de capas: la capa de entrada, las capas ocultas (opcional) y la capa de salida. A continuación se muestra el modelo de red neuronal:

Está formado por un conjunto de entradas x(k) que se multiplican por un determinado peso Wnk para a continuación sumarse, obteniendo la señal Un, a la cual se le aplica una función de activación no lineal que limita la amplitud de salida. En función del umbral se determina cuándo se activa la neurona.

Por otro lado existen redes neuronales convolucionales, las cuales surgieron para solucionar el problema de tener un número enorme de variables de entrada prácticamente inviables de manejar. Mediante las redes neuronales convolucionales se simplifican en gran medida las variables de entrada, reduciendo su número considerablemente. Para ello emplean diferentes capas, donde la más importante es la capa convolucional, formada por filtros de una o más dimensiones.