Page 29 - revista 2019

Revista de la Facultad de Ingeniería, Año 6, Número 1
Con el fin de contextualizar los conceptos clave; empezaremos con las
definiciones enfocadas a Inteligencia artificial para continuar con la definición de
Machine Learning y concluir con una definición de Deep Learning.

La definición de inteligencia artificial en su concepción más básica no es nada
más ni nada menos que lograr que un elemento que no sea natural (como ser una
computadora) logre la capacidad de imitar los comportamientos o decisiones que
consideramos inteligentes en los seres humanos como ser la capacidad de razonar,
pensar, crear nuevo conocimiento entre otros.

El concepto de Machine Learning se centra en él estudio de la construcción de
algoritmos que aprendan en base al pasado para que de esa forma sean capaces de
hacer predicciones del futuro basado en datos, experiencias y conocimiento previo
(Arthur Samuel, 1959)

Evidencia o datos (x)  conclusiones (y)

(certeza) (probabilidad)

F(x) = Y

Deep Learning

La definición de Deep Learning parece ser un tema aún por solucionar (Gibson,
A. & Patterson, J., 2017), sin embargo, presentaremos la definición de Gibson, A. &
Patterson, J. (2017) que dice: “Red Neuronal con gran cantidad de parámetros y capas
en una de las cuatro arquitecturas siguientes: 1-Red pre entrenada sin supervisión
(UPN), 2-Redes neuronales convolucionales (CNN), 3-Redes neuronales recurrentes y
4-Redes neuronales recursivas”
Cuando hablamos de Deep Learning es sumamente importante entender los
conceptos de neurona y redes neuronales; ambos conceptos son los pilares
fundamentales en la construcción del conocimiento en torno a Deep Learning.

Una neurona es la mínima cantidad de información que puede existir en una
red neuronal, la neurona es capaz de recibir datos de entrada (x), procesarlos
(utilizando los pesos “a”), generar valores intermedios (z) que sirven como valores de
entrada a la función de activación (f(x)) para obtener un valor de salida no lineal (en
nuestro ejemplo una función sigmoide, ver ilustración 2). Su nombre se debe a la
relación teórica de equivalencia que existe con una neurona del cerebro
humano(Gibson, A. & Patterson, J., 2017).

Ilustración 2: Neurona

28