Deep Learning se trata de construir modelos de aprendizaje automático que aprendan una representación jerárquica de los datos.
Las redes neuronales , como ya respondió Nicolas Neubauer, son una clase de algoritmos de aprendizaje automático. La neurona artificial forma la unidad computacional del modelo y la red describe cómo estas unidades están conectadas entre sí. Puede describir un modelo jerárquico con redes neuronales donde cada capa de neuronas representa un nivel en esa jerarquía. No existe una restricción real en la cantidad de capas que puede agregar a una red, pero ir más allá de dos capas no era práctico en el pasado con rendimientos decrecientes. Las limitaciones se superaron con los avances algorítmicos, la disponibilidad de grandes volúmenes de datos de entrenamiento y la computación acelerada por GPU. La gente comenzó a agregar más capas nuevamente, lo que resultó en redes neuronales profundas con mucho éxito. Demostraron cómo las redes neuronales con muchas capas permitieron construir las representaciones requeridas para el aprendizaje profundo.
Hoy, las personas tienden a ver que una implica la otra. De hecho, las redes neuronales profundas son el escaparate del aprendizaje profundo. Algunos sostienen que los árboles de decisión y la memoria temporal jerárquica califican como modelos de aprendizaje profundo no neural. El punto es que el concepto de aprendizaje profundo no está vinculado a las redes neuronales sino que está muy bien demostrado a través de ellas.
- Con la tecnología actual, ¿puede un sistema de inteligencia artificial leer un problema expresado en palabras y luego resolverlo?
- ¿Cómo afectaron las teorías de Alan Turing sobre inteligencia artificial a nuestras nociones de inteligencia humana?
- ¿Es cierto que no debemos tomar la inteligencia como evangelio?
- Cómo saber si un humano no es un cyborg
- ¿Es posible pasar directamente a la investigación de aprendizaje automático después de un doctorado en física teórica?