Libro Gratuito – Aprendizaje Profundo en Redes Neuronales: Descripción General

El siguiente libro gratuito está dirigido para todas aquellas personas interesadas en aprender sobre las Redes Neuronales.

Aprendizaje profundo (en inglés, deep learning) es un grupo de algoritmos de aprendizaje automático (en inglés, machine learning) que aspira modelar abstracciones de elevado grado en datos utilizando arquitecturas computacionales que aceptan transformaciones no lineales diversos e iterativas de datos expresados en forma matricial o tensorial.

El aprendizaje profundo es parte de un grupo más extenso de procedimientos de aprendizaje automático basados en asimilar representaciones de datos.

 Numerosas arquitecturas de aprendizaje profundo, como redes neuronales profundas, redes neuronales profundas convolucionales, y redes de religión profundas, fueron aplicadas a campos como perspectiva por computador, reconocimiento automático del habla, y reconocimiento de señales de audio y canción, y han mostrado crear resultados de vanguardia en numerosas labores.

Los algoritmos de aprendizaje profundo contrastan con los algoritmos de aprendizaje poco profundo por el número de transformaciones aplicadas a la señal a medida que se propaga a partir de la capa de acceso a la capa de salida.

No existe un estándar de facto para el número de transformaciones (o capas) que convierte a un algoritmo en profundo, sin embargo la mayor parte de estudiosos en el campo estima que aprendizaje profundo involucra bastante más de 2 transformaciones intermedias.

Sobre el Libro (Por el Autor)

En los últimos años, las redes neuronales artificiales profundas (incluidas las recurrentes) han ganado numerosos concursos en reconocimiento de patrones y aprendizaje automático.

Este estudio histórico resume de manera compacta el trabajo relevante, gran parte del milenio anterior. Los aprendices superficiales y profundos se distinguen por la profundidad de sus rutas de asignación de créditos, que son cadenas de vínculos causales, posiblemente aprendebles, entre acciones y efectos.

Reviso el aprendizaje supervisado profundo (también recapitulando la historia de la retropropagación), el aprendizaje no supervisado, el aprendizaje reforzado y la computación evolutiva, y la búsqueda indirecta de programas cortos que codifican redes grandes y profundas.

Esta es la preimpresión de una descripción general de Deep Learning (DL) invitada. Uno de sus objetivos es dar crédito a quienes contribuyeron al estado actual de la técnica.

Reconozco las limitaciones de intentar lograr este objetivo. La propia comunidad de investigación de DL puede verse como una red profunda y en constante evolución de científicos que se han influido mutuamente de formas complejas.

A partir de resultados recientes de DL, traté de rastrear los orígenes de las ideas relevantes a lo largo del último medio siglo y más allá, a veces usando la “búsqueda local” para seguir las citas de citas hacia atrás en el tiempo.

Dado que no todas las publicaciones de DL reconocen adecuadamente el trabajo relevante anterior, se emplearon estrategias de búsqueda global adicionales, con la ayuda de la consulta de numerosos expertos en redes neuronales.

Como resultado, la presente preimpresión consta principalmente de referencias. Sin embargo, debido a un sesgo de selección de expertos, es posible que me haya perdido un trabajo importante.

Un sesgo relacionado fue seguramente introducido por mi especial familiaridad con el trabajo de mi propio grupo de investigación de DL en el último cuarto de siglo. Por estas razones, este trabajo debe verse simplemente como una instantánea de un proceso de asignación de créditos en curso.