Deep Learning Con MATLAB: Primeros Conceptos Y Aplicaciones

El Deep Learning (también conocido como aprendizaje estructurado profundo, aprendizaje jerárquico o aprendizaje profundo de máquina) es una rama del aprendizaje automático basada en un conjunto de algoritmos que intentan modelar abstracciones de alto nivel en los datos utilizando habitualmente redes neuronales múltiples. En un caso simple, puede haber dos grupos de neuronas: las que reciben una señal de entrada y las que envían una señal de salida. Cuando la capa de entrada recibe una entrada, pasa una versión modificada de la entrada a la siguiente capa. En una red profunda, hay muchas capas entre la entrada y la salida, permitiendo que el algoritmo utilice múltiples capas de procesamiento, compuestas de múltiples transformaciones lineales y no lineales.El Deep Learning es parte de una familia más amplia de métodos de aprendizaje automático basados en representaciones de aprendizaje de datos. Una observación (por ejemplo, una imagen) puede representarse de muchas maneras, como un vector de valores de intensidad por píxel, o de una manera más abstracta como un conjunto de bordes, regiones de forma particular, etc. Algunas representaciones son mejores que otras para simplificar la tarea de aprendizaje (por ejemplo, el reconocimiento facial o el reconocimiento de la expresión facial). Una de las finalidades del Deep Learning es reemplazar las características manuales por algoritmos eficientes para el aprendizaje de características sin supervisión o semisupervisadas y la extracción jerárquica de características. La investigación en esta área intenta hacer mejores representaciones y crear modelos para aprender estas representaciones a partir de datos a gran escala no etiquetados. Algunas de las representaciones se inspiran en los avances de la neurociencia y se basan vagamente en la interpretación de los patrones de procesamiento de la información y comunicación en el sistema nervioso, como la codificación neuronal, que intenta definir una relación entre varios estímulos y las respuestas neuronales asociadas en el cerebro.Varias arquitecturas de Deep Learning como redes neuronales profundas, redes neuronales profundas convolucionales y redes neuronales recurrentes se han aplicado a campos como la visión por ordenador, el reconocimiento automático del habla, el procesamiento del lenguaje natural, el reconocimiento de audio y la bioinformática, en los que se ha demostrado que producen resultados de vanguardia en diversas tareas.