Si bien estaba implícito en la explicación de las redes neuronales, vale la pena señalarlo de manera más explícita. Lo “profundo” en el deep learning se refiere a la profundidad de las capas en una red neuronal. Una red neuronal que consta de más de tres capas, que incluirían las entradas y la salida, se puede considerar un algoritmo de deep learning. Esto generalmente se representa mediante el siguiente diagrama.
La mayoría de las redes neuronales profundas se alimentan hacia adelante, lo que significa que fluyen en una sola dirección desde la entrada hasta la salida. Sin embargo, también puede entrenar su modelo mediante retropropagación; es decir, moverse en dirección opuesta de salida a entrada. La retropropagación nos permite calcular y atribuir el error asociado a cada neurona, lo que nos permite ajustar y ajustar el algoritmo de forma adecuada.
¿En qué se diferencia el deep learning del machine learning?
Como explicamos en nuestro artículo de Learn Hub sobre deep learning, el deep learning es simplemente un subconjunto del machine learning. Las principales formas en las que difieren es en cómo aprende cada algoritmo y cuántos datos utiliza cada tipo de algoritmo. El deep learning automatiza gran parte de la parte de extracción de características del proceso, eliminando parte de la intervención humana manual requerida. También permite el uso de grandes conjuntos de datos, lo que le valió el título de “machine learning escalable” en esta conferencia del MIT. Esta capacidad será particularmente interesante a medida que comencemos a explorar más el uso de datos no estructurados, particularmente porque se estim
a que el 80-90% de los datos de una organización no están estructurados.
El machine learning clásico o “no profundo” depende más de la intervención humana para aprender. Los expertos humanos determinan la jerarquía de características para comprender las diferencias entre las entradas de datos, lo que generalmente requiere datos más estructurados para aprender. Por ejemplo, digamos que te mostraría una serie de imágenes de diferentes tipos de comida rápida, “pizza”, “hamburguesa” o “taco”. El experto humano en estas imágenes determinaría las características que distinguen a cada imagen como el tipo específico de comida rápida. Por ejemplo, el pan de cada tipo de alimento puede ser una característica distintiva en cada imagen. Alternativamente, puede usar etiquetas, como “pizza”, “hamburguesa” o “taco”, para agilizar el proceso de aprendizaje a través del aprendizaje supervisado.
El machine learning “profundo” puede aprovechar los conjuntos de datos etiquetados, también conocidos como aprendizaje supervisado, para informar su algoritmo, pero no necesariamente requiere un conjunto de datos etiquetado. Puede ingerir datos no estructurados en su forma sin procesar (por ejemplo, texto, imágenes) y puede determinar automáticamente el conjunto de características que distinguen “pizza”, “hamburguesa” y “taco” entre sí.
¿En qué se diferencia el deep learning de las redes neuronales?
Si bien estaba implícito en la explicación de las redes neuronales, vale la pena señalarlo de manera más explícita. Lo “profundo” en el deep learning se refiere a la profundidad de las capas en una red neuronal. Una red neuronal que consta de más de tres capas, que incluirían las entradas y la salida, se puede considerar un algoritmo de deep learning.
La mayoría de las redes neuronales profundas se alimentan hacia adelante, lo que significa que fluyen en una sola dirección desde la entrada hasta la salida. Sin embargo, también puede entrenar su modelo mediante retropropagación; es decir, moverse en dirección opuesta de salida a entrada. La retropropagación nos permite calcular y atribuir el error asociado a cada neurona, lo que nos permite ajustar y ajustar el algoritmo de forma adecuada.
Este artículo puede interesarle Gestión de procesos empresariales: ¿Qué es y cuáles tipos hay?
