By

Glosario Deep Learning (parte 3)

En esta ocasión continuamos con la tercera y última parte de nuestro Glosario Deep Learning.

Con la finalidad de entender los conceptos esenciales dentro del Deep Learning, hemos creado desde IUTA un Glosario Deep Learning online para que lo consultes siempre que te haga falta. En la anterior parte de este glosario habíamos visto lo que significan palabras como Keras, Matriz de Confusión, GPU, Inteligencia Artificial y demás.

¡Hoy continuamos y terminamos la serie con la parte 3!

DEFINICIONES Glosario Deep Learning (parte 3):

Redes convolutivas:

Convolutional Neuronal Networks o Redes Neuronales Convolutivas son un tipo específico de redes neuronales artificiales que utilizan perceptrones (un algoritmo de unidad de machine learning), para el aprendizaje supervisado, con el objetivo de analizar datos. Las CNN se aplican al procesamiento de imágenes, el procesamiento del lenguaje natural y otros tipos de tareas cognitivas.

Una red neuronal convolutiva también se conoce como ConvNet.

Redes neuronales:

Las redes neuronales, también llamadas redes neuronales artificiales, son una variedad de tecnologías de Deep Learning basadas en la estructura y funciones de redes neuronales biológicas.

La información que fluye a través de la red afecta la estructura de la red neuronal porque esta cambia (o aprende, en cierto sentido) en función de esa entrada y salida. Las aplicaciones comerciales de estas tecnologías generalmente se enfocan en resolver problemas complejos de procesamiento de señal o reconocimiento de patrones. Entre los ejemplos se incluyen el reconocimiento de escritura a mano para el procesamiento de cheques, la transcripción de voz a texto, el análisis de datos de exploración de petróleo, la predicción meteorológica y el reconocimiento facial.

Redes profundas:

Una red neuronal profunda es una red neuronal con un cierto nivel de complejidad, una red neuronal con más de dos capas. Las redes neuronales profundas usan modelos matemáticos sofisticados para procesar datos de formas complejas.

El concepto “Deep Learning” también se usa para describir estas redes neuronales profundas, ya que el aprendizaje profundo representa una forma específica de aprendizaje automático (machine learning) donde las tecnologías que utilizan aspectos de la inteligencia artificial buscan clasificar y ordenar información de maneras que van más allá de los simples protocolos de entrada / salida.

Redes secuenciales:

Es un tipo de red neuronal artificial avanzada que involucra ciclos dirigidos en la memoria. Lo que hace una red secuencial es que la información pase entre las capas en el orden que les asignemos.

Sobreajuste:

El sobreajuste se produce cuando un modelo intenta predecir una tendencia en datos que son demasiado ruidosos. Por lo tanto, un modelo que está sobreajustado es inexacto porque la tendencia no refleja la realidad de los datos.

SVM (máquinas de vectores de soporte):

Una máquina de vectores de soporte (SVM) es un algoritmo de aprendizaje automático que analiza los datos para la clasificación y el análisis de regresión. SVM es un método de aprendizaje supervisado que examina los datos y los clasifica en una de dos categorías. Un SVM genera un mapa de los datos ordenados con los márgenes entre los dos lo más separados posible. Las SVM se utilizan en la categorización de texto, clasificación de imágenes, reconocimiento de escritura y en las ciencias.

Una máquina de vectores de soporte también es conocida como una red de vectores de soporte (SVN).

TensorFlow:

TensorFlow, también conocido como Google TensorFlow, es una biblioteca de software libre centrada en el aprendizaje automático creado por Google. Inicialmente lanzado como parte de la licencia de código abierto Apache 2.0. Originalmente desarrollado para uso interno por ingenieros e investigadores del equipo de Google Brain. TensorFlow es considerado el sucesor de la aplicación DistBelief y Google lo utiliza actualmente con fines de investigación y producción. También se considera la primera implementación seria de un framework centrado en el Deep Learning.

Teorema de Bayes:

El teorema de Bayes, también conocido como la Regla de Bayes o la Ley de Bayes, es una fórmula matemática para determinar la probabilidad condicional. El teorema, que lleva el nombre del matemático británico del siglo XVIII Thomas Bayes, proporciona una forma de revisar las predicciones o teorías existentes con evidencia nueva o adicional.

Theano:

Es un proyecto de código abierto publicado bajo la licencia BSD y fue desarrollado por el grupo LISA (ahora MILA) en la Universidad de Montreal, Quebec, Canadá.

Se trata de una biblioteca de computación numérica para Python. En Theano, los cálculos se expresan usando una sintaxis NumPy-esque y se compilan para funcionar eficientemente en arquitecturas de CPU o GPU.

Transfer Learning:

El Transfer Learning o aprendizaje de transferencia es la aplicación del conocimiento adquirido al completar una tarea para ayudar a resolver un problema diferente, pero relacionado. El desarrollo de algoritmos que facilitan los procesos de aprendizaje de transferencia se ha convertido en un objetivo de los técnicos de aprendizaje automático, ya que se esfuerzan por hacer que el aprendizaje automático sea lo más humano posible.

Vectorización:

La vectorización permite ejecutar una única instrucción en múltiples objetos de datos en paralelo dentro de un único núcleo de CPU, mejorando así el rendimiento. Esta forma de paralelismo (paralelismo de datos) es posible ya que la arquitectura informática moderna incluye instrucciones SIMD (Single Instruction, Multiple Data) que pueden realizar una sola instrucción en múltiples objetos de datos en un único núcleo de CPU al mismo tiempo.

El término “vector length” también se utiliza para hablar de vectorización. Este es el número de variables que pueden ser operadas simultáneamente por una instrucción vectorial.

¿Te apasiona el mundo del Deep Learning? Fórmate en IUTA

Si te interesa este mundo y quieres especializarte en Deep Learning y en la inteligencia artificial, lo que necesitas es un máster en Deep Learning como el que ofrecemos en IUTA.

Revisa nuestros programas formativos en la web o, si prefieres, ponte en contacto con nosotros.

Y hasta aquí la tercera y última entrega de nuestro Glosario Deep Learning. ¿Qué te ha parecido? ¿Echas en falta algún concepto básico en la lista?

Si dominas todo este vocabulario tendrás una base sólida para comprender los temas centrales del Deep Learning. Por supuesto, este solo es el primer paso: si estás pensando formarte en ello el máster es lo que necesitas. Mientras tanto, si no has visto las anteriores entregas… ¡Ahora es el momento! Y, si el glosario te ha servido de ayuda, no olvides compartirlo en las redes.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *