Aprendizaje profundo generativo, 2ª edición

Capítulo 2. Aprendizaje profundo

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Objetivos del capítulo

En este capítulo:

• Conoce los distintos tipos de datos no estructurados que pueden modelarse mediante el aprendizaje profundo.

• Define una red neuronal profunda y comprende cómo puede utilizarse para modelar conjuntos de datos complejos.

• Construye un perceptrón multicapa para predecir el contenido de una imagen.

• Mejora el rendimiento del modelo utilizando capas convolucionales, capas de abandono y capas de normalización de lotes.

Empecemos con una definición básica de aprendizaje profundo en :

Aprendizaje profundo es una clase de algoritmos de aprendizaje automático que utiliza múltiples capas apiladas de unidades de procesamiento para aprender representaciones de alto nivel a partir de datos no estructurados.

Para comprender plenamente el aprendizaje profundo, tenemos que profundizar un poco más en esta definición. En primer lugar, echaremos un vistazo a los distintos tipos de datos no estructurados que el aprendizaje profundo puede utilizar para modelar y, a continuación, nos sumergiremos en la mecánica de la construcción de múltiples capas apiladas de unidades de procesamiento para resolver tareas de clasificación. Esto sentará las bases para futuros capítulos en los que nos centraremos en el aprendizaje profundo para tareas generativas.

Datos para el aprendizaje profundo

Muchos tipos de algoritmos ...