El aprendizaje profundo, en pocas palabras, implica la construcción de una red muy grande de nodos neuronales con fuerzas de conexión variables.
Estos nodos generalmente se rigen por funciones de activación no lineales simples, como un sigmoide (este ejemplo se basa en una antigua observación de que una combinación lineal de sigmoides puede aproximarse a cualquier señal).
- ¿Dónde se encuentran la inteligencia artificial y el Big Data desde el punto de vista del Big Data?
- ¿Cómo se crean los algoritmos? ¿Y qué son los algoritmos de aprendizaje profundo? ¿Cuáles son algunos ejemplos?
- ¿Cuál es el estado del arte del sistema de recomendación para 2016?
- Después de terminar el curso de aprendizaje automático en Coursera. ¿Qué tengo que hacer? ¿Curso de inteligencia artificial sobre edx o tutoriales de aprendizaje profundo?
- ¿Romper CAPTCHA es realmente un hito para la inteligencia artificial?
Sin embargo, se puede usar una variedad de funciones de activación para gobernar las respuestas de los nodos en una red neuronal; elegir las funciones de activación que mejor se adapten a sus datos de entrada permitirá que su modelo produzca predicciones significativas para muchos tipos diferentes de sistemas (es decir, booleano / binario, normal frente a distribución no normal, etc.).
Para activar una red neuronal de aprendizaje profundo, normalmente, una colección de características medibles del sistema se normalizan y pasan a la capa de entrada de manera discreta / segregada. Si se supervisa la red, la red realiza una tarea de clasificación, evaluada por la forma de la respuesta de la capa de salida y los pesos de conexión se ajustan en toda la red para reforzar la clasificación precisa por parte de la red.
¿Qué tipo de problemas se pueden resolver de esta manera?
Si bien hay un subconjunto de sistemas que se clasifican de forma más natural utilizando redes neuronales, nuestros cerebros son una prueba de que este marco de modelado neuronal es tan flexible como nosotros somos creativos. Hay dos reglas para hacer que este marco sea productivo:
- Seleccione una función de activación que capture las características críticas de sus datos de entrada.
- Este marco debe usarse para problemas en los que solo importa una predicción precisa. Es muy difícil asignar significado a los pesos finales entre nodos en un modelo de aprendizaje profundo y, por lo tanto, la interpretación de la transformación realizada por el modelo es casi imposible.
En cuanto a los ejemplos específicos de problemas que pueden resolverse mediante el aprendizaje profundo, seguramente puede encontrar docenas de ejemplos en las primeras páginas de una búsqueda en Google, es de esperar que esta respuesta pueda ayudarlo a desarrollar su propia intuición.
