Aprendizaje Profundo (DL)

El aprendizaje profundo (AD) es un subconjunto transformador del aprendizaje automático que permite a los ordenadores aprender de la experiencia y comprender el mundo en términos de una jerarquía de conceptos. Inspirado en la estructura biológica estructura biológica del cerebro humano, el DL utiliza arquitecturas complejas de múltiples capas conocidas como redes neuronales (NN) para procesar grandes cantidades de datos. de datos. A diferencia de los algoritmos tradicionales, que a menudo requieren la intervención humana para definir las reglas, los modelos de DL realizan automáticamente automáticamente la extracción de características patrones intrincados que van desde simples bordes en una imagen a complejos significados semánticos en un texto. Esta capacidad hace que DL el motor de muchos avances modernos en Inteligencia Artificial (IA). Inteligencia Artificial (IA), sobre todo en campos como visión por ordenador (CV) y Procesamiento del Lenguaje Natural (PLN).

¿Cómo funciona el aprendizaje profundo?

El "profundo" en Deep Learning se refiere al número de capas ocultas dentro de la red neuronal. Mientras que una red puede tener una o dos capas, los modelos profundos pueden tener docenas o incluso cientos. Cada capa consta de nodos o neuronas, que procesan los datos de entrada utilizando pesos del modelo y una función de activación, como ReLU o Sigmoid. Durante la fase de entrenamiento, el modelo se expone a conjuntos de datos etiquetados, y ajusta sus parámetros internos para minimizar los errores.

Este ajuste se consigue mediante un proceso llamado retropropagación, que calcula el gradiente de la la función de pérdida. Un algoritmo de optimización algoritmo de optimización, normalmente descenso de gradiente, actualiza los pesos para mejorar la precisión. A lo largo de muchas iteraciones, o épocas, la red red aprende a asignar entradas a salidas con gran precisión, "aprendiendo" de los datos de entrenamiento. datos de entrenamiento.

Aprendizaje profundo frente a aprendizaje automático

Aunque la DL forma parte del ML, ambos difieren significativamente en su enfoque de los datos. Los métodos tradicionales de ML suelen se basan a menudo en la ingeniería manual de los expertos en la materia deben seleccionar y formatear explícitamente las características que debe analizar el modelo. Por ejemplo, en el reconocimiento de imágenes, un experto puede escribir detect bordes o esquinas.

En cambio, los modelos de aprendizaje profundo aprenden estas características automáticamente. A red neuronal convolucional (CNN), una arquitectura común de DL, puede aprender a detect bordes en la primera capa, formas en la segunda y objetos reconocibles, como coches o caras, en las capas más profundas. objetos reconocibles, como coches o caras, en las capas más profundas. Esto elimina la necesidad de extracción manual de características y permite a DL escalar eficazmente con Big Data.

Aplicaciones en el mundo real

La versatilidad del aprendizaje profundo ha llevado a su adopción en numerosos sectores.

1. Vehículos autónomos: Los coches autónomos dependen de la DL para la percepción en tiempo real. Modelos como Ultralytics YOLO11 se utilizan para detección de objetos para identificar peatones vehículos y señales de tráfico al instante. Esta aplicación ayuda a tomar decisiones críticas para una navegación segura, un componente central de la IA en automoción.
2. Análisis de imágenes médicas: En sanidad, la DL ayuda a los médicos analizando las exploraciones médicas con gran sensibilidad. Los algoritmos pueden facilitar detección de tumores en resonancias magnéticas o identificar la retinopatía diabética en exploraciones oculares, a menudo igualando o superando el rendimiento humano. Para más detalles, vea cómo DL transforma la IA en la sanidad.

Aplicación con Ultralytics

Implementar un modelo de Deep Learning para la inferencia es sencillo con las bibliotecas modernas. A continuación se muestra un ejemplo de usando un modelo YOLO11 pre-entrenado para detect objetos en una imagen.

from ultralytics import YOLO

# Load a pretrained YOLO11 model (a deep learning architecture)
model = YOLO("yolo11n.pt")

# Run inference on a source image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results
results[0].show()

Herramientas y ecosistema

El desarrollo de modelos de DL requiere marcos de software y hardware robustos.

• Frameworks: Las bibliotecas de código abierto más populares son PyTorchdesarrollada por Meta, y TensorFlowcreada por Google. Estas plataformas proporcionan los componentes básicos para diseñar y entrenar redes neuronales.
• Hardware: El entrenamiento de redes profundas implica cálculos matriciales pesados, que se aceleran utilizando GPU. El hardware de fabricantes como NVIDIA es estándar para un procesamiento eficiente.
• Plataformas: La próxima plataforma Ultralytics ofrecerá un entorno integral para gestionar todo el ciclo de vida de DL, desde anotación de conjuntos de datos despliegue del modelo, agilizando el flujo de trabajo para desarrolladores y empresas.

Para una comprensión más amplia del campo, recursos como la documentación sobre aprendizaje profundo del MIT y IBM's guide to AI ofrecen excelentes lectura.