INFORME TÉCNICO DEEP LEARNING: DEFINICIÓN, CARACTERÍSTICA,

SUSTENTACIÓN
Nombre: Cedula:
Fundamento teórico de la tendencia
La técnica que conocemos como Deep Learning es un tipo de machine learning que
permite entrenar a una computadora para que realice tareas de forma similar a como
las realizamos los seres humanos. Los modelos de aprendizaje profundo son
implementados para cumplir con tareas de alta complejidad como reconocimiento de
voz, identificación de imágenes o realización de predicciones.
A diferencias de otros procesos que funcionan en base a algoritmos, en él se
configuran parámetros básicos acerca de los datos y en base a estos entrena a la
computadora para que genere una base de conocimiento
propio que le permita reconocer los patrones mediante el uso
de capas de procesamiento que están contenidas en una red
neuronal.
Conozcamos algunos aspectos importantes sobre cómo
funciona y cuáles son sus principales aplicaciones.

Aplicación lógica:
Al ser un modelo más complejo de aprendizaje automático que aplica un método
diferente para generar conocimiento y comprender los problemas. En términos sencillos
el Deep Learning no le proporciona a la computadora un esquema de resolución de
problemas, sino que la entrena para que lo resuelva por si sola.

Este enfoque de aprendizaje a fondo consiste en reemplazar la formulación y

especificación del modelo con capas que poseen características jerárquicas que
progresivamente aprenden a reconocer elementos que están contenidos en los datos.

Características:
Reconocimiento del habla
Gracias a los niveles de complejidad tan diversos que permite el aprendizaje profundo
las tecnologías de reconocimiento de habla y patrones de voz han aumentado su
presencia en el mundo académico y empresarial. Cada vez es más común la utilización
de estos servicios en móviles y ordenadores de forma simple y esto es gracias a la
capacidad de análisis de complejidad que brindan las redes neuronales.

 Reconocimiento de imágenes
El reconocimiento de imágenes es una de las aplicaciones más interesantes del Deep
Learning ya que su grado de complejidad es superior. Las potencialidades de
aplicación de este tipo de algoritmos permiten entender y comprender escenas e
imágenes en su totalidad determinando un gran número de factores. Podemos analizar
un escenario completo partiendo de miles de imágenes por solo citar un caso de
aplicación. ¡Imagina las posibilidades!

 Procesamiento de lenguaje natural

Entre las aplicaciones de las redes neuronales, que son el componente principal del
Deep Learning, han sido utilizadas para analizar y procesar texto. Esto tiene un
potencial interesante para las empresas ya que partiendo de la minería de datos de
texto podrían descubrirse patrones interesantes en los intercambios de información con
los clientes. Podemos conseguir información importante para la creación o eliminación
de productos, establecer patrones en quejas y descubrir cómo mejorar nuestros
servicios de atención.

 Sistemas de recomendación
Los sistemas de recomendación son uno de los sistemas basados en aprendizaje
automático con los que tenemos contacto casi a diario. Gracias a ellos podemos
explorar opciones atractivas de consumo de productos o servicios que se ajusten a las
preferencias del cliente. Estos son comunes de ver en catálogos digitales como Netflix
o en servicios de streaming como Spotify o Youtube. El aprendizaje automático puede
ser utilizado para mejorar las recomendaciones en entornos más complejos de
productos o servicios.

Casos de Estudio exitosos de Deep Learning

Apple y Emotient
Apple, una de las industrias tecnológicas más poderosas, no solo lleva años
introduciendo los procesos de inteligencia artificial en nuestro día a día, sino que
considera que esta es el futuro de sus aplicaciones y tecnologías.

En los últimos años Apple ha adquirido numerosas Startups relacionadas con los
procesos más avanzados de Inteligencia Artificial, el Deep Learning. Desde tecnologías
dedicadas al desarrollo conversaciones fluidas entre ordenadores y personas, hasta
tecnología de captura de movimiento y reconocimiento facial en tiempo real. Todo esto
unido a la adquisición de Emotient. Se trata de un sistema de reconocimiento de
imágenes de última generación, que utiliza los procesos de Deep Learning para el
reconocimiento de las emociones de las personas ante la publicidad o cuando ven
algún producto.
Sustentación
Es un método de aprendizaje profundo es un conjunto de algoritmos de aprendizaje
automático que intenta modelar abstracciones de alto nivel en datos usando
arquitecturas computacionales que admiten transformaciones no lineales múltiples e
iterativas de datos expresados en forma matricial o tensorial.
Por lo cual varias agencias o empresas internacionales trabajan con ella por los
algoritmos que le permiten aprender a me dida pasen los datos.
Entonces, cuando hablamos de deep learning hablamos de una red neuronal artificial
jerarquizada, esto es, organizada en distintos niveles. Cada uno de estos niveles tiene
una función cognitiva para entender los datos que procesa que, inicialmente, tiene una
complejidad menor y, a medida que la jerarquía va subiendo, la complejidad cognitiva
aumenta.
Después este aprendizaje lo pasa al tercer nivel y así sucesivamente.
Un ejemplo de aplicación donde el deep learning o aprendizaje profundo está más
ampliamente desarrollado es en el campo del procesamiento de imagen para el
aprendizaje o reconocimiento de objetos.
 El segundo nivel recibiría la información relativa a la identificación de los bordes
y la combinaría para construir figuras simples.
 El tercer nivel, con la información de las figuras simples, construiría figuras más
complejas.
 El cuarto nivel combinaría las figuras más complejas hasta construir partes del
cuerpo muy sencillas.
Junto con el aprendizaje cognitivo es la vanguardia de la inteligencia artificial y una
realidad.