By

Glosario Deep Learning (parte 1)

El Deep Learning está recibiendo mucha atención últimamente y por una buena razón: está logrando resultados que antes no eran posibles.

Para que tengas los conocimientos básicos y comprendas la terminología alrededor del Deep Learning, hemos creado en IUTA una serie de artículos que iremos subiendo al blog con el objetivo de recopilar los términos más conocidos en un Glosario Deep Learning online de la A a la Z.

Antes de nada: ¿Qué es el Deep Learning?

El Deep Learning o “aprendizaje profundo” es un aspecto de la inteligencia artificial (IA) que se relaciona con la emulación del enfoque de aprendizaje que los seres humanos usamos para obtener ciertos tipos de conocimiento. En su forma más simple, el Deep Learning se puede considerar como una forma de automatizar el análisis predictivo. Los casos de uso para el aprendizaje profundo incluyen todo tipo de aplicaciones de análisis de big data, especialmente aquellas enfocadas en el procesamiento del lenguaje natural (NLP), traducción de idiomas, diagnóstico médico, señales de comercio bursátil, seguridad de redes e identificación de imágenes.

El Deep Learning es de hecho un paso importante hacia la inteligencia artificial. No solo proporciona representaciones complejas de datos que son adecuados para las tareas de IA, sino que también hace que las máquinas sean independientes del conocimiento humano, que es el objetivo final de la IA.

Y bien, ahora que sabemos lo básico, profundicemos en la terminología del Deep Learning:

DEFINICIONES Glosario Deep Learning (parte 1):

Algoritmo:

Un método (o serie de instrucciones) ideado para generar un modelo de aprendizaje automático. Los ejemplos incluyen regresión lineal, árboles de decisión, máquinas de vectores de soporte y redes neuronales.

Aprendizaje no supervisado:

El aprendizaje no supervisado es el entrenamiento de un algoritmo de inteligencia artificial (IA) que utiliza información que no está ni clasificada ni etiquetada y que permite que el algoritmo actúe sobre esa información sin orientación.

En el aprendizaje no supervisado, un sistema de IA puede agrupar información sin clasificar de acuerdo con las similitudes y diferencias, aunque no se proporcionen categorías. Los sistemas de IA con capacidad de aprendizaje no supervisado a menudo se asocian con modelos de aprendizaje generativo, aunque también pueden usar un enfoque basado en la recuperación (que a menudo se asocia con el aprendizaje supervisado). Chatbots, vehículos sin conductor, programas de reconocimiento facial, sistemas expertos y robots se encuentran entre los sistemas que pueden usar enfoques de aprendizaje supervisados o no supervisados.

Aprendizaje por refuerzo:

Se refiere a un tipo de método de aprendizaje automático en el que el agente recibe una recompensa retardada en el siguiente paso de tiempo para evaluar su acción anterior. Se utiliza sobre todo en los juegos (por ejemplo, Atari, Mario), con un rendimiento a la par o incluso superiores a los seres humanos. Recientemente, como el algoritmo evoluciona con la combinación de redes neuronales, es capaz de resolver tareas más complejas.

Aprendizaje simbólico:

El aprendizaje simbólico es aquel capaz de ir más allá de lo literal y representar el significado de determinadas acciones, emociones y/o palabras. Se trata de realizar interpretaciones y conductas dotadas de significado, rompiendo con los códigos básicos establecidos. Esta forma de aprender requiere realice un importante esfuerzo de interpretación.

Aprendizaje supervisado:

El aprendizaje supervisado (en el contexto de la inteligencia artificial (AI) y el aprendizaje automático), es un tipo de sistema en el que se proporcionan datos de entrada y de salida deseados. Los datos de entrada y salida están etiquetados para su clasificación a fin de proporcionar una base de aprendizaje para el futuro procesamiento de datos.

Backpropagation:

Abreviatura de “backward propagation of errors“, es un algoritmo para el aprendizaje supervisado de redes neuronales artificiales que utilizan gradiente de descendencia. Dada una red neuronal artificial y una función de error, el método calcula el gradiente de la función de error con respecto a los pesos de la red neuronal.

Canal:

Los datos de entrada a los modelos Deep Learning pueden tener múltiples canales. Los ejemplos canónicos son imágenes que tienen canales de color rojo, verde y azul. Una imagen se puede representar como un Tensor tridimensional con las dimensiones correspondientes a canal, altura y ancho.

Clustering:

Es una técnica de aprendizaje automático no supervisado. El proceso de agrupar entidades similares que tiene como objetivo encontrar similitudes en el punto de datos y agrupar puntos de datos similares.

Deep Dream:

Es un programa de visión por ordenador creado por el ingeniero de Google Alexander Mordvintsev. Este utiliza una red neuronal convolucional para encontrar y mejorar patrones en imágenes a través de la pareidolia algorítmica, creando así un aspecto alucinógeno de ensueño en las imágenes deliberadamente sobreprocesadas.

Distribución Gaussiana:

Una distribución gaussiana, o normal, es una distribución de probabilidad continua que representa la probabilidad de que cualquier observación dada ocurra en diferentes puntos de un rango. Visualmente, se asemeja a lo que generalmente se llama una curva de Bell.

Embedding:

Una incrustación o “embedding” es una representación de entrada o una codificación. Por ejemplo, una incrustación de palabras neuronales es un vector que representa esa palabra. Se dice que la palabra está incrustada en el espacio vectorial. Word2vec y GloVe son dos técnicas que se utilizan para formar incrustaciones de palabras para predecir el contexto de una palabra. Debido a que una incrustación es una forma de aprendizaje de representación, podemos “incrustar” cualquier tipo de datos, incluidos sonidos, imágenes y series de tiempo.

Estadística descriptiva:

La estadística descriptiva es el tipo de análisis estadístico que ayuda a describir los datos de alguna manera significativa. Esta estadística se usa para describir cuantitativamente las características importantes de los datos o la información. La estadística descriptiva proporciona los resúmenes de la muestra dada, así como las observaciones realizadas. Estos resúmenes o descripciones pueden ser gráficos o cuantitativos.

Estadística inferencial:

La estadística inferencial es el tipo de estadística que trata de hacer conclusiones. Básicamente, la estadística inferencial es el procedimiento de hacer predicciones y conclusiones sobre los datos dados que están sujetos a variaciones aleatorias. La estadística inferencial incluye la detección y predicción de errores observacionales y de muestreo. Este tipo de estadísticas se está utilizando para hacer estimaciones y probar las hipótesis usando datos dados.

Gloval Vectors (Glove):

GloVe es una generalización de los algoritmos word2vec de Tomás Mikolov, una técnica para crear incrustaciones de palabras neurales. Primero fue presentado en NIPS por Jeffrey Pennington, Richard Socher y Christopher Manning del departamento de PNL de Stanford

¿Te gusta el Deep Learning? Fórmate en IUTA

Si estás interesado y quieres conocer más acerca del enorme mundo Deep Learning o de la inteligencia artificial, no dudes en revisar el máster en Deep Learning que ofrecemos en IUTA.

Y, si crees que te ha servido de ayuda, no olvides compartir nuestro contenido para que pueda llegar a todo aquel interesado en formarse y dominar el sector. Seguiremos ampliando nuestro glosario Deep Learning online con palabras de la A a la Z. ¡No te pierdas el próximo artículo de la serie, la parte 2!

Compártelo: