Deep Learning y Redes Neuronales Artificiales

Antes de nada, si no conoces qué es el machine learning, te invito a que leas el post que subimos anteriormente para poder comprender un poco mejor el contexto en el que nos encontramos, ya que el deep learning o aprendizaje profundo es un subcampo del machine learning.

Después de conocer la base de la que parte, el deep learning está formado por un conjunto de redes neuronales cuyo objetivo final es que la máquina aprenda de su entorno "imitando" el comportamiento del cerebro humano.

¿Cómo una máquina puede imitar el comportamiento del cerebro humano?

Bien, para ello los científicos de datos elaboran redes neuronales artificiales cuyo funcionamiento es muy similar al de las redes neuronales biológicas, es decir, las nuestras. 

Nuestras neuronas están compuestas por tres partes: dendritas, soma y axón, cada una de esas partes de encarga de una función ¿no? Por ejemplo, las dendritas captan los impulsos nerviosos de otras neuronas, el soma lo procesa y lo envía al axón para que este mande otro impulso a las siguientes neuronas. Pues bien, las redes neuronales artificiales funcionan prácticamente igual.

En este caso, el "impulso nervioso" se compone de la suma de las entradas multiplicada por cada uno de sus pesos asociados, el soma sería sustituido por una función de activación que procesa los datos devolviendo y valor que sería el de salida de la neurona.

Tampoco hay que dejar a un lado que al igual que pasa con el cerebro, las redes neuronales artificiales también están interconectadas las unas a las otras. Éstas se agrupan en distintos niveles llamados capas y la información va pasando de una a otra.

Como se ve en la imagen, las capas se pueden clasificar en tres tipos: capa de entrada, capa de salida y capas ocultas. 

• Capa de entrada: recibe como entrada los datos reales que alimentan la red neuronal.

• Capa de salida: es el resultado visible de la red neuronal.

• Capas ocultas: se desconocen tanto los datos que tienen de entrada como de salida. 

¿Cómo es realmente el funcionamiento de una red neuronal artificial?

Como hemos comentado anteriormente, la primera capa recibe los inputs o valores de entrada, las demás recibirán los valores de salida de la capa anterior.

En esta capa, se realiza una suma ponderada de todos los valores de entrada junto con sus pesos formando la matriz W (con tantas filas como neuronas tiene en la capa anterior y tantas columnas como neuronas tiene esa capa).

A ese resultado, se le suma el parámetro bias. Cada neurona tiene el suyo y este se encarga de indicar qué tan predispuesta está la neurona de sacar un valor 1 o 0 independientemente de su peso. 

La función de activación se encarga de que no sólo haya una regresión lineal. Existen múltiples funciones de activación, entre ellas podemos destacar dos: la función Sigmoid y la función ReLu.

La primera es básicamente una función que recibe un valor X y devuelve un valor situado entre el 1 y el 0. Por otro lado, la función ReLu para los valores de entrada negativos devuelve un 0 y para aquellos valores positivos devuelve siempre el mismo valor.

Finalmente, se obtiene el valor de salida y ya sólo quedaría ir ajustando los parámetros para reducir todo lo posible el error que pueda haber entre capa y capa y que así la red neuronal cada vez devuelva resultados más precisos.  

Si lo que te gustaría en realidad es aprender más en profundidad sobre todo lo relacionado con deep learning, machine learning e inteligencia artificial y poder crear redes neuronales funcionales y mucho más, visita la página de Nodd3r.

¿Qué usos tiene el deep learning?

1. Detección de fraudes financieros: los bancos y muchas empresas trabajan a diario para evitar cualquier fraude. Constantemente buscan desarrollar nuevas técnicas de prevención, algunas de ellas basadas en identificar patrones de comportamiento en los clientes para encontrar irregularidades.

2. Reconocimiento del habla: esto nos lo encontramos a diario en los asistentes personales como Siri o Alexa que reconocen la voz de los usuarios a través de los patrones de voz.

3. Sanidad: en este área se utiliza el deep learning para detectar el cáncer, la osteoporosis, trastornos en el habla desde la infancia, alzheimer, etc.

4. Identificación de imágenes: actualmente se está utilizando para la impresión atumática de subtítulos en imágenes y la descripción de escenas.

5. Recomendaciones: permite hacer recomendaciones personalizadas a los usuarios para dar con aquello que le va a gustar. Puedes leer más sobre cómo funciona en este tipo de casos en este post sobre el funcionamiento del algoritmo de Spotify. 

6. Procesamiento del lenguaje natural: ayuda a descubrir patrones en las quejas de los clientes, notas de médicos o reportes informativos, por ejemplo.