Inicio » Noticias » Glosario Deep Learning (parte 2)

Glosario Deep Learning (parte 2)

En los últimos años hemos sido testigos de un innegable y meteórico aumento en la popularidad del Deep Learning o “aprendizaje profundo”, un enfoque de la inteligencia artificial (AI) inspirado en la actividad de, literalmente, un cerebro humano. Hasta la fecha, los modelos de Deep Learning han introducido soluciones avanzadas en las áreas de visión artificial, reconocimiento de patrones, procesamiento del lenguaje natural así como muchos otros.

Gracias a estos avances en inteligencia artificial, las empresas pueden beneficiarse de un mayor grado de automatización, una productividad mucho mayor y una identificación, asignación y manejo más confiables de una gama más amplia de objetos a lo largo de toda la cadena de valor.

Para comprender mejor el potencial que tiene esta tecnología aplicada a los negocios, es necesario tener claro con anterioridad los conceptos básicos. Por eso en IUTA hemos creado un Glosario Deep Learning Online con la finalidad de entender los conceptos esenciales del Deep Learning. En la primera parte de este glosario habíamos visto lo que significan palabras como Algoritmo, Aprendizaje Supervisado, Estadística Descriptiva, Clustering y demás.

Hoy continuamos con el glosario Deep Learning online profundizando un poco más en el sector. ¡Vamos allá!

DEFINICIONES Glosario Deep Learning (parte 2):

GPU:

Una unidad de procesamiento de gráficos (GPU) es un chip o circuito electrónico capaz de representar gráficos para su visualización en un dispositivo electrónico. La GPU se introdujo en el mercado en general en 1999, y es mejor conocida por su uso al proporcionar los gráficos fluidos que los consumidores esperan en los videos y juegos modernos.

LEE  Qué es Devops y por qué debemos utilizarlo

Inteligencia artificial:

La inteligencia artificial (IA) es un área de la informática que enfatiza la creación de máquinas inteligentes que funcionan y reaccionan como los humanos.

Se ha convertido en una parte esencial de la industria de la tecnología.

Keras:

Es una biblioteca de red neuronal de código abierto escrita en Python. Es capaz de ejecutarse sobre TensorFlow, Microsoft Cognitive Toolkit, Theano o MXNet. Está diseñada para permitir una rápida experimentación con redes neuronales profundas, se enfoca en ser fácil de usar, modular y extensible. Se desarrolló como parte del esfuerzo de investigación del proyecto ONEIROS (Open-ended Neuro-Electronic Intelligent Robot Operating System), y su principal autor y mantenedor es François Chollet, ingeniero de Google.

Machine Learning:

El Machine Learning o Aprendizaje Automático es un tipo de inteligencia artificial (IA) que permite que las aplicaciones de software sean más precisas en la predicción de resultados sin estar explícitamente programadas. La premisa básica del aprendizaje automático es construir algoritmos que puedan recibir datos de entrada y usar análisis estadísticos para predecir un valor de salida dentro de un rango aceptable.

Matriz de confusión:

Una matriz de confusión es una técnica para resumir el rendimiento de un algoritmo de clasificación. La precisión de la clasificación por sí sola puede ser engañosa si tiene una cantidad desigual de observaciones en cada clase o si tiene más de dos clases en su conjunto de datos. El cálculo de una matriz de confusión puede ofrecer una mejor idea de lo que el modelo de clasificación está haciendo bien y qué tipo de errores está cometiendo.

Es este colapso lo que supera la limitación de usar solo la precisión de clasificación.

Modelo de clasificación:

Un modelo de clasificación es aquel que organiza por categorías los datos de entrada. Un ejemplo es la categorización de los correos electrónicos como spam o no.

LEE  Glosario Deep Learning (parte 1)

Modelo de regresión:

Un modelo de regresión es una técnica estadística para estimar las relaciones entre variables (incluye regresión lineal, regresión logística y otros enfoques). Se utiliza para predecir un valor numérico como por ejemplo el número de reservas que se harán en un mes determinado en un hotel.

Optimización:

Consiste en encontrar una alternativa con el rendimiento más rentable o más alto posible bajo las limitaciones dadas, maximizando los factores deseados y minimizando los no deseados. En comparación, la maximización significa tratar de alcanzar el resultado o resultado más alto o máximo sin importar el costo o gasto. La optimización está restringida por la falta de información completa y la falta de tiempo para evaluar qué información está disponible.

Paralelización:

Es el acto de diseñar un programa o sistema para procesar datos en paralelo. Normalmente, los programas informáticos calculan datos en serie. Si un programa o sistema se paraleliza, descompone un problema en partes más pequeñas que pueden resolverse de forma independiente al mismo tiempo mediante recursos informáticos discretos. Cuando se optimizan para este tipo de cálculos, los programas paralelizados pueden llegar a una solución mucho más rápido que los programas que ejecutan procesos en serie.

Perceptron:

Un perceptrón es un modelo simple de una neurona biológica en una red neuronal artificial. Perceptron es también el nombre de un algoritmo temprano (Early Algorithm) para el aprendizaje supervisado de clasificadores binarios.

El algoritmo del perceptron se diseñó para clasificar entradas visuales, categorizar sujetos en uno de dos tipos y separar grupos con una línea. El algoritmo perceptron clasifica patrones y grupos al encontrar la separación lineal entre diferentes objetos y patrones que se reciben a través de la entrada numérica o visual.

Procesamiento del lenguaje natural (PLN):

El Procesamiento del lenguaje natural es una rama de la Inteligencia Artificial que ayuda a los ordenadores a comprender, interpretar y manipular el lenguaje humano. PLN se nutre de muchas disciplinas, incluidas la informática y la lingüística computacional, en su búsqueda para llenar el vacío entre la comunicación humana y la comprensión informática.

LEE  ¿Qué es Hyperledger?

¿Te atrae el Deep Learning? Fórmate en IUTA

Si estás interesado y quieres especializarte y ampliar conocimientos en Deep Learning o en inteligencia artificial, no dudes en revisar el máster en Deep Learning que ofrecemos en IUTA.

Y, si este glosario te ha servido de ayuda, no olvides compartirlo para que pueda llegar a más interesados en el Deep Learning y en la Inteligencia Artificial. No olvides que seguiremos ampliando nuestro glosario Deep Learning online en una nueva entrada del blog con definiciones de la A a la Z. ¡No te pierdas el próximo artículo de la serie, la parte 3!

Formación Relacionada

Las dos pestañas siguientes cambian el contenido a continuación.
Equipo de profesionales formado esencialmente por profesores y colaboradores con amplia experiencia en las distintas áreas de negocio del mundo empresarial y del mundo académico. IMF Smart Education ofrece una exclusiva oferta de postgrados en tecnología en colaboración con empresa como Deloitte, Indra o EY (masters en Big Data, Ciberseguridad, Sistemas, Deep Learning, IoT) y un máster que permite acceder a la certificación PMP/PMI. Para ello IMF cuenta con acuerdos con universidades como Nebrija, la Universidad de Alcalá y la Universidad Católica de Ávila así como con un selecto grupo de universidades de Latinoamérica.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

¡Noticias, eventos y formación!

Suscríbete ahora y recibe los mejores contenidos sobre Negocios, Prevención, Marketing, Energías Renovables, Tecnología, Logística y Recursos Humanos.

Acepto recibir comunicaciones comerciales por parte del grupo IMF
He leído y acepto las condiciones


Glosario Deep Learning (parte 2) : IUTA - UAH

En IUTA hemos creado un Glosario Deep Learning Online con la finalidad de entender los conceptos esenciales del Deep Learning. En la primera parte de este glosario habíamos visto lo que significan palabras como Algoritmo, Estadística Descriptiva, Cluster...