1.5 - Definiciones y tipos de problemas que resuelve el Deep Learning
Lección 5 de la sección “Introducción al Deep Learning” del curso Fundamentos de Deep Learning con Python.
Tabla de contenido
Introducción
En la lección anterior vimos un panorama general de la evolución y los casos de éxito del Deep Learning. En esta lección veremos algunas definiciones esenciales, como los tipos de datos y de modelos, así como los tipos de problemas y de aprendizaje que se pueden abordar desde el Deep Learning.
Suscríbete para tener acceso al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online
Los tipos de datos
Usualmente son dos los tipos de datos disponibles:
- Los datos estructurados, que vienen representados en formato tabular (es decir como tablas o bases de datos) y que son más usados en el Machine Learning convencional.
- Los datos no estructurados, como por ejemplo las imágenes, el audio, el video y el texto, y que son los que convencionalmente son procesados por los diferentes modelos de Deep Learning.
Los tipos de modelos
En la actualidad son cuatro las principales arquitecturas (o tipos de modelo) de uso más extendido en el Deep Learning:
- Las Redes Neuronales Profundas, que constituyen la base de todas las demás arquitecturas
- Las Redes Convolucionales, que permiten el procesamiento de imágenes, audio y video
- Las Redes Recurrentes y LSTM (Long-Short Term Memory) que permiten procesar secuencias (como el texto, los videos, el audio y las series de tiempo) y que recientemente han sido “destronadas” por una nueva arquitectura:
- Las Redes Transformer, que fueron desarrolladas en el año 2017 como una solución al procesamiento de texto, pero que progresivamente han venido incursionando en áreas como el procesamiento de imágenes, audio y video.
En este curso veremos en detalle estos cuatro tipos de modelos.
Los tipos de aprendizaje
Esencialmente podemos hablar de tres tipos de aprendizaje:
- Aprendizaje supervisado: en este caso el set de datos consiste en entradas al modelo y salidas conocidas. En este caso se pueden desarrollar modelos que resuelven tareas de clasificación y regresión
- Aprendizaje no supervisado: en este caso el set de datos sólo contiene la entrada pero no el tipo de salida que buscamos. El objetivo es que el modelo aprenda a encontrar patrones en los datos por sí solo, sin ninguna guía (de allí el término “no supervisado”).
- Aprendizaje reforzado o por refuerzo: este esquema de aprendizaje es muy usado en los videojuegos o en el área de la robótica. En este tipo de aprendizaje se busca lograr que un agente (el robot, un personaje en un videojuego) aprenda del entorno a través de premios y castigos. Rigurosamente hablando el aprendizaje por refuerzo es un área totalmente aparte del Machine o el Deep Learning y la abordaremos en otro curso más adelante.
Recuerda suscribirte para acceder al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online
Conclusión
Bien, hasta este punto ya tenemos un panorama completo no sólo del Machine Learning sino del tema central de este curso: el Deep Learning. Además tenemos una idea general de las diferentes áreas en las que puede ser usado el Deep Learning.
Pero como este curso tiene un componente práctico, es hora de hablar de las herramientas de programación que usaremos en adelante. Así que en la próxima lección veremos una introducción a Google Colab, el entorno que usaremos para programar en Python e implementar todo el componente práctico de este curso.