- Autor
- Nombre
- Raúl Pacheco Rodríguez
- @RaulprTech
El Deep Learning es un área del Machine Learning que usa Redes Neuronales Artificiales de múltiples capas para aprendizaje automático de características en distintos niveles de abstracción, y así resolver problemas que normalmente eran difíciles para el Machine Learning tradicional.
Algo de Historia
La historia del Deep Learning comienza desde los 50's, cuando se empezaron a sentar las bases de estos algoritmos.
- 1950-1990: Creación de principales algoritmos para entrenamiento de Redes Neuronales.
- 1990: Dificultades para entrenar modelos profundos + Investigación.
- 2010 en adelante: Explosión del Deep Learning.
La explosión de estas redes sucede a partir de que se alcanza y supera el performance humano en gran parte de las tareas de percepción como detección de objetos, segmentación semántica, traducción automática y en juegos como Ajedrez, Go o LoL.
El Deep Learning cada vez esta impactando más campos, como la física, la medicina y las finanzas.
En el 2018 se otorgo el Premio Turing a tres investigadores en Inteligencia Artificial: Geoffrey Hinton, Yann LeCun y Yoshua Bengio, por sus aportaciones en Deep Learning, que han permitido grandes avances en áreas como la visión artificial y el reconocimiento de voz.
Ante estos logros se empezó a comentar el comienzo de una nueva era de la computación, la era del Deep Learning.
Deep Learning Aplicado
Actualmente podemos encontrar al Deep Learning aplicado en muchas formas, te menciono algunas.
Generative Adversarial Networks
Son una aplicación del Deep Learning que ha adquirido mucha fama en los últimos años debido a los DeepFakes. UN ejemplo de esto es una red que entrenada a partir de un conjunto de imágenes de rostros sea capaz de generar nuevos rostros de personas ficticias.
MusicVAE
El Music Variational Autoencoder (MusicVAE) es capaz de crear canciones de alrededor de cinco minutos a partir de la interpolación de otros dos pequeños audios que se dan de entrada (Guo et al., 2020).
Pix2Pix
Es capaz de crear imágenes realistas a partir de los bosquejos que se le ingresan (Isola et al., 2016).
CycleGAN
Es capaz de transferir los estilos de una imagen a otras, por ejemplo puede convertir la imagen de un paisaje de primavera a la forma en que se vería en invierno o viceversa (Zhu et al., 2017).
Conclusión
El Deep Learning nos ha traído nuevas posibilidades para la computación y los resultados de años de investigación ya se están viendo.
Ahora ya entiendes que es el Deep Learning, un poco de su historia y algunas de sus aplicaciones.
Si te ha gustado este articulo no olvides compartirlo y seguirme en mis redes sociales.