Aprendizaje profundo
Definición
El aprendizaje profundo utiliza redes neuronales con muchas capas para aprender representaciones jerárquicas a partir de datos. Ha impulsado avances en visión, lenguaje y otros dominios escalando datos y computación.
Extiende el aprendizaje automático mediante el uso de modelos diferenciables y en capas (ver redes neuronales) que aprenden características automáticamente en lugar de diseñarlas manualmente. La profundidad permite al modelo construir representaciones cada vez más abstractas (p. ej., bordes → texturas → partes → objetos en visión).
Cómo funciona
Los datos se alimentan en la primera capa; cada capa aplica una transformación lineal seguida de una no linealidad (p. ej., ReLU). Apilar capas produce una representación (embedding) que se vuelve más abstracta en capas más profundas. La capa final mapea a la salida (p. ej., puntuaciones de clase o tokens). El entrenamiento usa retropropagación para calcular gradientes y descenso de gradiente para actualizar pesos. Las arquitecturas (CNNs para imágenes, RNNs para secuencias, Transformers para ambos) adaptan la conectividad y operaciones a los datos y la tarea.
Casos de uso
El aprendizaje profundo es el estándar para percepción y generación cuando los datos son abundantes y las tareas complejas.
- Reconocimiento de imágenes, detección de objetos y segmentación (visión)
- Reconocimiento de voz, traducción automática y generación de texto (lenguaje)
- Juegos, control robótico y simulación (aprendizaje por refuerzo)
Documentación externa
- Deep Learning (Goodfellow et al.) — Libro online gratuito
- PyTorch – Introducción — Aprendizaje profundo práctico