¿La esencia del aprendizaje profundo es simplemente analizar y predecir el futuro?
El concepto de aprendizaje profundo fue propuesto por Hinton et al. Se propone un algoritmo de entrenamiento codicioso capa por capa no supervisado basado en Deep Belief Network (DBN), que brinda la esperanza de resolver los problemas de optimización relacionados con la estructura profunda, y luego propone la estructura profunda del codificador automático multicapa. Además, la red neuronal convolucional propuesta por Lecun et al. es el primer algoritmo de aprendizaje de estructura multicapa verdadero, que utiliza relaciones relativas espaciales para reducir la cantidad de parámetros y mejorar el rendimiento del entrenamiento. El aprendizaje profundo es un nuevo campo de investigación en aprendizaje automático. La motivación es construir y simular la red neuronal del cerebro humano para el análisis y el aprendizaje. Imita el mecanismo por el cual el cerebro humano interpreta datos, como imágenes, sonidos y texto.
El aprendizaje profundo es un método de aprendizaje de funciones que transforma datos sin procesar en expresiones más avanzadas y abstractas a través de algunos modelos simples pero no lineales. Una introducción y un estudio en profundidad del aprendizaje profundo revelan que contiene tres conceptos centrales: combinación de múltiples capas, aprendizaje de un extremo a otro y representación distribuida.
Las combinaciones de representaciones multicapa están más en línea con los estilos de aprendizaje humanos, y las redes neuronales, como una de ellas, pueden producir múltiples comprensiones a partir de una única entrada perceptiva, como la pronunciación de un palabra (en comparación con , sorprendentemente similar al aprendizaje profundo). Hay muchas capas ocultas entre la pronunciación de una palabra y la comprensión del cerebro, lo cual es consistente con el proceso de aprendizaje profundo.
Una de las cosas más interesantes de la representación multicapa es que cuando los científicos de datos se ocupan de tareas de clasificación de datos, solían utilizar modelos de redes neuronales, pero ahora pueden generar modelos de datos automáticamente.
En la actualidad, la mayoría de los métodos de clasificación, regresión y otros métodos de aprendizaje son algoritmos de estructura superficial y, en muchos casos, solo hay una capa de representación. Su limitación radica en su capacidad limitada para expresar funciones complejas con muestras y unidades informáticas limitadas, y su capacidad de generalización a problemas de clasificación complejos está sujeta a ciertas limitaciones. El aprendizaje profundo puede lograr la aproximación de funciones complejas al aprender una estructura de red no lineal profunda, caracterizar la representación de distribución de los datos de entrada y demostrar la poderosa capacidad de aprender las características esenciales de un conjunto de datos a partir de una pequeña cantidad de muestras. La ventaja de varias capas es que las funciones complejas se pueden representar con menos parámetros.