Machine Learning - s2.2

4. Aprendizaje Profundo (Deep Learning)

Siguiente

El aprendizaje profundo es una subdisciplina del aprendizaje automático que se basa en redes neuronales artificiales con múltiples capas, conocidas como redes neuronales profundas.

4. Aprendizaje Profundo (Deep Learning)

Este enfoque es especialmente eficaz para manejar grandes volúmenes de datos y extraer características complejas, lo que lo hace ideal para aplicaciones avanzadas como la visión por computadora y el procesamiento del lenguaje natural.

Las redes neuronales artificiales (ANN) son el bloque básico del aprendizaje profundo. Una ANN está compuesta por nodos (o neuronas) organizados en capas: una capa de entrada, una o más capas ocultas y una capa de salida.

4.2 Redes Neuronales Artificiales (ANN)

Cada nodo en una capa está conectado a todos los nodos de la capa siguiente, con cada conexión teniendo un peso que se ajusta durante el entrenamiento.

1. Arquitectura Básica:

Capa de Entrada

Capas Ocultas

Capa de Salida

Las funciones de activación, como la ReLU (Rectified Linear Unit) o la sigmoide, introducen no linealidades en el modelo, permitiéndole aprender relaciones complejas en los datos.

2. Función de Activación:

Ejemplo en Python:

Ejemplo en Python con Keras:

Clustering Jerárquico: Este método construye un árbol de clusters, comenzando con cada punto como un cluster individual y combinándolos sucesivamente. Existen dos enfoques principales:

Aglomerativo

Divisivo

El entrenamiento de redes neuronales implica ajustar los pesos de la red para minimizar la función de pérdida, que mide la diferencia entre las predicciones del modelo y los valores reales. El proceso de entrenamiento se realiza mediante algoritmos de optimización como el Gradiente Descendente.

4.3 Entrenamiento de Redes Neuronales

Propagación hacia Adelante:

Retropropagación (Backpropagation):

Ejemplo en Python:

Ejemplo en Python con Keras:

Las redes neuronales convolucionales (CNN) son una clase de redes neuronales especialmente diseñadas para trabajar con datos que tienen una estructura de cuadrícula, como imágenes. Utilizan capas de convolución para extraer características espaciales importantes y capas de agrupamiento (pooling) para reducir la dimensionalidad.

4.4 Redes Neuronales Convolucionales (CNN)

Capas de Convolución:

Capas de Pooling:

Ejemplo en Python:

Ejemplo en Python con Keras:

Las redes neuronales recurrentes (RNN) son adecuadas para datos secuenciales o temporales, como series de tiempo o texto. Las RNN tienen conexiones que forman ciclos, permitiendo que la información persista y sea utilizada en el análisis de secuencias.

4.5 Redes Neuronales Recurrentes (RNN)

Celdas Recurrentes:

LSTM (Long Short-Term Memory):

Ejemplo en Python:

Ejemplo en Python con Keras:

El aprendizaje profundo ha revolucionado muchas áreas con sus aplicaciones avanzadas, incluyendo:

4.6 Aplicaciones del Aprendizaje Profundo

Visión por Computadora:

Procesamiento del Lenguaje Natural (NLP):

Reconocimiento de Voz:

Generación de Contenidos:

Ejemplo en Python:

Ejemplo en Python con GANs: