Deep Learning, el aprendizaje profundo

https://www.computerweekly.com/

El aprendizaje profundo (Deep Learning en inglés) es un conjunto de técnicas que permite a las máquinas predecir los resultados de un conjunto de datos.

¿Qué es el aprendizaje profundo?

El aprendizaje profundo implica tomar grandes volúmenes de datos estructurados o no estructurados y usar algoritmos para entrenar redes neuronales. Este aprendizaje realiza operaciones complejas para extraer patrones y rasgos ocultos (por ejemplo, distinguir la imagen de un gato de la de un perro).

https://www.simplilearn.com/

Un modelo de aprendizaje profundo aprende a realizar tareas de clasificación directamente a partir de imágenes, texto o sonido. El aprendizaje profundo utiliza una arquitectura de red neuronal. El término "profundo" se refiere al número de capas de la red: cuantas más capas, más profunda es la red. Las redes neurales tradicionales contienen sólo 2 ó 3 capas, mientras que las redes profundas pueden tener cientos.

Red Neuronal artificial

Una red neuronal es un sistema de programas y estructuras de datos que imitan la funcionalidad y conectividad de las neuronas en el cerebro humano. Por ejemplo, un gran número de CPUs funcionando en paralelo. Cada procesador contiene su propia pequeña esfera de conocimiento y datos. Una red neuronal es “adiestrada” o es alimentada con gran cantidad de datos y reglas de las relaciones entre los datos (por ejemplo, “un padre es mayor que el hijo”). Con ayuda de un programa la red sabe cómo comportarse ante nuevos datos.

Uso del Aprendizaje Profundo

El aprendizaje profundo es especialmente adecuado para aplicaciones de identificación como el reconocimiento facial, la traducción de textos, el reconocimiento de voz y los sistemas avanzados de asistencia al conductor: clasificación de carriles y el reconocimiento de señales de tráfico.

Estos son sólo algunos ejemplos de aprendizaje profundo:

• Un vehículo sin conductor disminuye la velocidad cuando se acerca a un paso de peatones.
• Un cajero automático rechaza un billete falso.
• Una aplicación para teléfonos inteligentes ofrece una traducción instantánea de un señal de calle extranjera.
• Control mediante voz de smartphones, tablets, televisores y altavoces de manos libres.

Red Neuronal Profunda

Una red neuronal profunda combina múltiples capas de procesamiento no lineal, utilizando elementos simples que operan en paralelo inspirados por los sistemas nerviosos biológicos. Consiste en una capa de entrada, varias capas ocultas y una capa de salida. Las capas están interconectadas a través de nodos, o neuronas, con cada capa oculta usando la salida de la capa anterior como entrada.

¿Cómo aprende una red neuronal profunda?

Por ejemplo, si tenemos un conjunto de imágenes, cada imagen contiene una de cuatro categorías diferentes de objetos. Queremos que la red de aprendizaje profundo reconozca automáticamente qué objeto está en cada imagen. Etiquetamos las imágenes de prueba para entrenar la red.

Utilizando estos datos de "entrenamiento", la red empieza a comprender las características específicas del objeto y las asocia a la categoría correspondiente.
Cada capa de la red toma los datos de la capa anterior, los transforma y los transmite, aumentando la complejidad y el detalle de lo que está aprendiendo de capa a capa.

La red aprende directamente de los datos, sin ser influenciada sobre las características del objeto analizado.

¿Cuál es la diferencia entre el Aprendizaje Profundo y el Aprendizaje Automático?

El aprendizaje profundo es un subcategoría del aprendizaje automático. 
Con el aprendizaje automático, el computador extrae conocimiento a través de la experiencia supervisada. Un operador humano ayuda al computador a aprender proporcionándole cientos o miles de ejemplos para entrenarlo y corrigiendo manualmente sus errores.

El aprendizaje profundo necesita menos supervisión. Con la ayuda de redes neuronales a gran escala el computador aprende y “piensa” sin necesidad de intervención humana directa.

Con el aprendizaje profundo, las imágenes se introducen directamente en una red neuronal profunda que aprende las características automáticamente.
El aprendizaje profundo a menudo requiere cientos de miles o millones de imágenes para obtener los mejores resultados. Además, es muy intensivo en cuanto al cálculo y requiere una CPU de alto rendimiento.

Aprendizaje automático 

• Buenos resultados con pequeños conjuntos de datos.
• Rápido para entrenar a una modelo.
• Necesita probar diferentes características y clasificadores para lograr los mejores resultados.
• Medidas de precisión.

Aprendizaje profundo

• Requiere conjuntos de datos muy grandes.
• Computacionalmente intensivo.
• Aprende características y clasificadores automáticamente.
• La precisión es ilimitada.

El entrenamiento de un modelo de aprendizaje profundo puede tomar horas, días o semanas, dependiendo del tamaño de los datos y de la capacidad de procesamiento disponible.

Opciones de cálculo

https://es.mathworks.com

Actualmente, existen tres opciones de cálculo: 

1. Basado en la CPU (Central Processing Unit), 
2. Basado en la GPU (Graphics Processing Unit) y 
3. Basado en la nube.

El cálculo basado en la CPU, esencialmente el procesador de cualquier computador, es la opción más simple y más fácilmente disponible. Se utiliza para entrenar modelos con un volúmen pequeño de datos.

El uso de una GPU reduce el tiempo de entrenamiento de días a horas. Es una mejor opción para entrenar el Modelo de Aprendizaje Profundo de manera eficiente y efectiva.

Las nubes son plataformas tecnológicas distribuidas que aprovechan las innovaciones tecnológicas para proporcionar entornos altamente escalables. Los recursos, el software y la información se comparten bajo demanda, como un servicio a través de Internet.

Si estás interesado en aprender más sobre el aprendizaje profundo (Deep Learning) descarga el eBook en MathWorks (inglés)