El origen de Deep Learning - Máster en Deep Learning : Universidad de Alcalá
Loading...

El origen de Deep Learning

Con su reciente recorrido, puede parecer extraño asociar la palabra “historia” a un campo todavía por consolidarse como el Deep Learning. Sin embargo, para conocer sus inicios debemos remontarnos a varias décadas atrás. Es por ello que, a través de este post, te presentamos lo que muchos desconocen: ¿cuáles son los inicios de esta Inteligencia Artificial?. No lo dudes y, ¡sigue leyendo!

Pero primero, ¿qué es Deep Learning?

Antes de remontarnos en su historia, debemos conocer en qué consiste este tipo de inteligencia artificial. El Deep Learning es el campo que permite a la máquina aprender por sí sola de los errores y la información que recibe. Sus algoritmos son capaces de identificar patrones y anomalías. De esta forma, pueden crear un modelo donde aprender y prevenir futuros errores.

Hoy en día, en ciertos casos, todavía se confunde con otro sector como es el Machine Learning. Hay que tener en cuenta que ambos conceptos se basan en la Inteligencia Artificial. No obstante, guarda también importantes diferencias.

¿Cuáles son los inicios del Deep Learning?

Para situarnos desde cuándo se empezó a hablar de Deep Learning, debemos incluso retroceder hasta los años 40 del siglo pasado. Las razones por las que el Deep Learning parece algo tan reciente es porque, a lo largo de su historia, ha vivido etapas complicadas en cuanto a popularidad. Además, el haber sido rebautizado varias veces ha dificultado su seguimiento. Solo en los últimos años se le ha denominado con el nombre de “Deep Learning”.

Para entender el origen del Deep Learning, podemos concretar cronológicamente tres etapas principales:

Etapa Cibernética (entre los 40 y los 60)

En sus comienzos, esta primera ola arrancó con los estudios sobre el aprendizaje biológico de McCulloch&Pitts (1943) y Hebb (1949). A su vez, dieron pie a la implementación de los mismos a través de primeros modelos, como por ejemplo el Perceptrón Rosenblatt (1958), que permitía el entrenamiento de una única neurona.

Etapa de Conexionismo (entre 1980 y los 1995)

Fue en esta época en la que surgió el concepto de backpropagation con la llegada de Rummelhart et al (1986). Estas herramientas se emplean de forma masiva en el entrenamiento de redes neuronales. Todo ello para calcular los pesos de las neuronas correspondientes a las distintas capas de las mismas.

Etapa como Deep Learning (desde 2006)

Debido a que históricamente algunos de los primeros modelos pretendían emular el aprendizaje biológico, el término Artificial Neural Networks (ANN) se ha ido ligando cada vez más al Deep Learning. Sin embargo, a pesar de que los modelos de Deep Learning están inspirados en el cerebro biológico, no están diseñados para ser una representación realista. Hoy en día, el Deep Learning ya no se encuentra tan relacionado con la perspectiva neurocientífica. Ahora, este estudio trabaja más bien con el tipo de aprendizaje que propone a través de múltiples niveles de composición. Hay que pensar que esta disciplina busca dar una solución al hecho de que hay máquinas que sobrepasan a nuestras mentes en tareas formales o abstractas.

¿En qué nos ha beneficiado el Deep Learning?

Con la aparición de nuevos avances se ha logrado incluso realizar numerosas aplicaciones prácticas. Hasta tal punto que se han introducido en la vida cotidiana de millones de usuarios. Ejemplos claros son el procesamiento y reconocimiento de imágenes para la identificación de objetos, rostros y/o expresiones faciales.  Estos se utilizan para la autentificación de identidades o para realizar diagnósticos de enfermedades. Todo ello llevado a cabo por medio de análisis comparativos automatizados con respecto a imágenes previas. Otro ejemplo de la aplicación del aprendizaje profundo se basa en el reconocimiento de voz. Con la comprensión del lenguaje que hoy se utiliza en los asistentes personales inteligentes con Siri, Cortana y Google Assistant.

Su aplicación además se puede ver actualmente en: el desarrollo de vehículos autónomos, sistemas para gestionar su movilidad y el tráfico urbano, el desarrollo de nuevos dispositivos para diagnósticos médicos remotos o el diseño de nuevos materiales. Pero también en el desarrollo de sistemas avanzados de traducción automática multilenguaje. El futuro está más cerca de lo que pensamos, y en muchos casos, estos avances se basan en el uso de métodos y tecnologías del aprendizaje profundo.

¿Quieres ser el futuro del Deep Learning? ¡Apúntate a nuestro Máster!

Mediante el Deep Learning se propone que las máquinas sean cada vez más capaces de entender el mundo. Todo ello, a través de una jerarquía y una fragmentación de conceptos. Con los últimos avances en neurociencias, el incremento en las capacidades de procesamiento de los sistemas de cómputo, el big data y la mejora de servicios en línea tales como el Cloud Computing, se ha logrado acelerar el desarrollo de sistemas capaces de imitar aspectos de cómo el ser humano piensa y actúa.

El futuro del Deep Learning sin duda es prometedor con el avance de las nuevas tecnologías. Como resultado, cada vez más observamos una demanda de estos profesionales en un campo laboral cada vez más abierto. Si te interesa participar en la mejora de nuestro futuro, en la Universidad de Alcalá encontrarás nuestro Máster en Deep Learning. Un postgrado con un plan de estudios muy completo y enfocado al mundo profesional en un centro de renombre. No lo dudes más e inscríbete. ¡Te esperamos!

Solicita Información

Rellene este formulario para enviarnos cualquier consulta. En breve nos pondremos en contacto contigo.




DIRECCIÓN
Madrid (España)
 Anterior  Todos Siguiente