Dentro de la inteligencia artificial, el deep learning se presenta como una evolución más avanzada del machine learning, ya que sus principios se basan en que la máquina tiene la capacidad de razonar por ella misma, pudiendo guiar exitosamente su propio aprendizaje.
Definición de dedo learning
El deep learning o aprendizaje profundo es una variante del machine learning que utiliza una serie de técnicas (más avanzadas) para que las máquinas puedan aprender por si solas, esto sin ser programadas específicamente para ello.
Se podría decir que el aprendizaje profundo es una evolución del aprendizaje automático, esto es, representa una tipología más avanzada y compleja.
Se caracteriza principalmente por su intención de emular la forma en que los humanos aprenden, siendo la tecnología que más se aproxima al proceso de aprendizaje humano. Para ello, utiliza un tipo de algoritmo específico: las redes neuronales.
¿Cómo funciona el deep learning?
El deep learning funciona mediante el análisis constante de información que recibe y dispone, utilizando una metodología lógica de aprendizaje muy parecida a la del ser humano.
Para hacerlo, el programa utiliza redes neuronales artificiales (modelo neuronal inspirado en el funcionamiento cerebral humano). Esto hace que el modelo informático tenga un proceso de aprendizaje más avanzado y moderno.
Características del deep learning
Ilustración simple de una red neuronal artificial
-
No necesita de la intervención humana para aprender, ya que tiene la capacidad de determinar por cuenta propia el camino correcto.
-
Estructura su algoritmo en diversas capas, con el objetivo de componer una arquitectura de red neuronal artificial.
-
Es una rama del machine learning.
-
Trata de imitar el proceso de aprendizaje humano mediante el uso de redes neuronales artificiales.
-
Por su naturaleza, requiere más datos y potencia computacional para iniciar y mantener el proceso de aprendizaje.
-
Al ser un tipo de aprendizaje más evolucionado, su margen de error se reduce significativamente.
-
Posee en su núcleo diversas capas de procesamiento no lineal.
Diferencias principales entre el deep learning y el machine learning
-
En el machine learning podemos guiar el aprendizaje de la máquina, en el deep learning, todo proceso de aprendizaje es automático, esto quiere decir que, si la máquina comete errores, esta aprende a partir de ellos.
-
El machine learning utiliza árboles de decisión (modelo de predicción) y el deep learning usa redes neuronales artificiales (nodos que funcionan como neuronas).
-
En el machine learning, debemos realizar una extracción de características (proceso de reducción y codificación) a los datos de entrada, mientras que en el deep learning ya existen modelos que incluyen esta extracción de características.
Ejemplo simple de deep learning
-
Brinda a la máquina una gran cantidad de fotos de tortugas.
-
El algoritmo procederá a analizar en detalle las particularidades de dichas fotos.
-
Para ello, iniciará una descomposición de las imágenes en diversos detalles, y si una característica se repite constantemente de foto a foto, el programa etiquetará dicho detalle como un valor importante.
-
Luego de un tiempo de aprendizaje, el programa tendrá la capacidad de identificar a las tortugas en cualquier escenario y contexto, ya que sabrá cuáles son las características que describen a este animal.