Deep Learning

¿Sabes en qué se diferencian las redes neuronales del Deep Learning?

Muchas personas creen que son la misma cosa, pero no es así. Conoce la diferencia y resuelve tus dudas en este post.

El Machine Learning se basa en algoritmos de aprendizaje, que pueden clasificarse, según la tarea que realizan, en: regresión, clustering etc. O bien, en árboles de decisión, modelos lineales, probabilísticos… y redes neuronales.

Las redes neuronales son, por tanto, un conjunto de algoritmos diseñados especialmente para reconocer patrones. Son muy potentes porque permiten que una computadora resuelva esos “problemas” que hasta entonces eran fáciles para un humano, pero muy complejos para una IA. Nos referimos a la percepción sensorial. Sí, el conocido ejemplo de “identificar un gato en una foto”, o de “identificar un sonido”.

Deep Learning
Espectro de sonido

Las redes neuronales intentan “emular” la forma en que las personas tomamos decisiones, de modo “similar” a cómo lo hacen las neuronas en nuestro cerebro: como unidades especializadas en procesar determinada información de forma jerárquica e interconectadas entre sí. Se basan en una estructura básica, en el “perceptrón” y en el mecanismo de “Backpropagation”, que permite a la neurona “aprender por sí misma” y descubrir la información oculta en los datos de entrada con los que la “entrenamos”.

¿Cómo funciona el perceptrón?

Dados unos datos de entrada n1, n2 etc., existe una combinación de parámetros o coeficientes, que llamaremos función peso (w0, w1, etc), que combinados con ellos ofreciendo un determinado resultado.

Deep Learning
Perceptrón

El problema consiste en averiguar qué valores han de tener esos coeficientes wi para obtener el resultado que mejor se ajusta a la realidad. Para ello, lo que se hace es “entrenar” la red neuronal (en este caso, el perceptrón, una red de una única neurona). Por ejemplo, si queremos detectar imágenes de gatos, los datos de entrada son las imágenes, y los datos de salida indican si hay o no un gato en esa imagen. Mediante el entrenamiento, la red neuronal ajustará los parámetros para detectar cuáles son los patrones ocultos en los datos de entrada que permiten identificar si, en esa imagen, existe un gato.(tamaño, número de extremidades, aspecto peludo etc.)

Deep Learning
Identificación de un gato

Por su parte, una red neuronal no es más que una superposición de perceptrones conectados unos con otros en estructuras complejas. La estructura más sencilla se conforma de tres capas, una capa de entrada, una capa intermedia u oculta, y una capa de salida.

Deep Learning es un caso particular de red neuronal que se caracteriza por tener múltiples capas de neuronas conectadas entre sí, lo cual brinda un mejor desempeño que las redes de una sola capa. Aunque en realidad no es el número de capas lo que define el aprendizaje profundo. El concepto subyacente en el aprendizaje profundo es el procesamiento de los datos de forma jerárquica. Es decir, el uso de redes neuronales para obtener representaciones cada vez más significativas de los datos mediante el aprendizaje por capas.

Cada capa extrae características de un nivel cada vez más alto hasta llegar a su respuesta final. Al ir profundizando en la red, estas funciones más simples se van combinado para buscar relaciones más complejas como puedan ser partes concretas de la cara (ojos, boca, nariz). En un siguiente paso se identificaría la cara completa, y por último se identificaría a la persona a la que corresponde esa cara. Así las sucesivas capas de abstracción serían:

Deep Learning
Identificación de caras

Por tanto, el Deep Learning y redes neuronales están muy interconectados entre sí, pero no son lo mismo.

Sobre el autor

RELACIONADOS