Cuáles son los modelos de Deep Learning

Si está pensando en llevar a cabo su primera solución de IA (inteligencia artificial), este producto es para usted

La educación profundo es un subconjunto de los algoritmos de estudio automático, que en este momento es el estándar de hecho y se encuentra dentro de las primeras opciones a tener en consideración en el momento de emprender un nuevo inconveniente. Internet está repleto de información sobre por qué razón hay que realizar, de qué forma llevarlo a cabo y quién se marcha a los brazos de todo el mundo. En este preciso momento es como el martillo que todo lo ve como un clavo. No es necesario decir que no deseo decir que la educación profundo sea inútil o que no sea un enorme avance, pues indudablemente lo es. Mucho más bien, el propósito de este producto es argumentar a una audiencia fuera de la ciencia de datos, ¿cuándo es la educación profundo la opción mejor? y cuándo es preferible seleccionar un enfoque mucho más clásico. Si está pensando en llevar a cabo su primera solución de inteligencia artificial, este producto es para usted.

Este producto es el primero de una serie dedicada al Deep Learning: tras enseñar el desempeño y desempeño de las redes neuronales generalmente, en los próximos artículos descubrirás en aspecto los primordiales géneros de redes y su arquitectura, tal como tal como los distintos métodos y ejemplos de apps de Deep Learning hoy en dia. Empecemos nuestra Introducción al estudio profundo sin más ni más preámbulos.

En los últimos tiempos, un nuevo diccionario ha inundado de productos científicos relacionados con la aparición de la IA (inteligencia artificial) en la sociedad de la cual formamos parte, y a veces resulta bien difícil comprender qué es lo que significa. En el momento en que charlamos de IA (inteligencia artificial), de forma frecuente hablamos a tecnologías similares como la educación automático o la educación profundo. 2 términos que se usan bastante con apps cada vez mayores, pero que no en todos los casos están bien establecidos. Primero, observemos estas tres definiciones fundamentales:

• IA (inteligencia artificial): es un campo de investigación que reúne todas y cada una de las técnicas y métodos que tienden a entender y reproducir la desempeño del cerebro humano.
• Estudio automático: este es un grupo de técnicas que brindan a las máquinas la aptitud de estudiar de forma automática un grupo de reglas desde los datos. En contraste a la programación, consistente en realizar reglas predeterminadas.
• Estudio profundo: es una técnica de estudio automático fundamentada en el modelo de red neuronal: se amontonan decenas o aun cientos y cientos de capas de neuronas para añadir mucho más dificultad a la capacitación de reglas.

Los tres conjuntos de algoritmos de estudio automático

En el momento en que comprendes qué es la educación automático, merece la pena entender los tres géneros de algoritmos de estudio automático: supervisado, no supervisado y de refuerzo.

En la educación supervisado, la máquina se enseña con el ejemplo. En consecuencia, el operador da al algoritmo de estudio automático un grupo popular de datos que tiene dentro las entradas y salidas deseadas, y el algoritmo debe localizar una forma de saber de qué forma entrar a esas entradas y salidas.

Sabiduría musical

Mientras que varias personas son excelentes para esculpir o colorear, otras tienen una enorme capacidad para hacer piezas musicales, por el hecho de que reconocen y asocian tonos y ritmos musicales con enorme talento.

Como su nombre señala, esta sabiduría hablamos de la aptitud de interpretar y expresarse por medio de la música.

Estudio no supervisado

Otro género de estudio automático se llama estudio no supervisado. que incluye conjuntos de datos no etiquetados cuya composición no se conoce antes. En esta clase de estudio, el propósito es hallar información importante o importante sin saber antes la referencia de las cambiantes de salida, explorando la composición de los datos no etiquetados.

En este género de estudio hay 2 categorías bien distinguidas llamadas clustering y reducción dimensional. El agrupamiento es una técnica exploratoria de análisis de datos donde la información se organiza en conjuntos sin un conocimiento previo de la composición que los compone. Esto se hace para hallar conjuntos de datos con peculiaridades afines.