{"id":156853,"date":"2026-02-19T16:32:03","date_gmt":"2026-02-19T15:32:03","guid":{"rendered":"https:\/\/multi.liora.io\/?p=156853"},"modified":"2026-02-26T12:28:57","modified_gmt":"2026-02-26T11:28:57","slug":"deep-learning-definicion","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/deep-learning-definicion","title":{"rendered":"Deep Learning o Aprendizaje profundo : \u00bfqu\u00e9 es?"},"content":{"rendered":"\n<p><strong>Este art\u00edculo es el primero de una serie dedicada al Deep Learning : tras haber presentado a grandes rasgos el funcionamiento y las aplicaciones de las redes neuronales, en los siguientes art\u00edculos descubrir\u00e1s con m\u00e1s detalle los principales tipos de redes y sus arquitecturas, as\u00ed como los m\u00e9todos y diversos ejemplos de aplicaciones del Deep Learning en la actualidad. Comencemos nuestra Introducci\u00f3n al Aprendizaje Profundo sin m\u00e1s pre\u00e1mbulos.<\/strong><\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"h-conceptos-clave-ia-aprendizaje-automatico-y-aprendizaje-profundo\">Conceptos clave : IA, aprendizaje autom\u00e1tico y aprendizaje profundo<\/h2>\n\n\n\n<p>En los \u00faltimos a\u00f1os, un nuevo l\u00e9xico relacionado con la aparici\u00f3n de la<strong>&nbsp;inteligencia artificial<\/strong>&nbsp;en nuestra sociedad ha inundado los art\u00edculos cient\u00edficos, y a veces es dif\u00edcil entender de qu\u00e9 se trata. Cuando hablamos de inteligencia artificial, muy a menudo nos referimos a tecnolog\u00edas asociadas como el aprendizaje autom\u00e1tico o el aprendizaje profundo. Dos t\u00e9rminos muy utilizados con aplicaciones cada vez mayores, pero no siempre bien definidos.&nbsp; Para empezar, veamos estas tres definiciones esenciales :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><a href=\"https:\/\/liora.io\/es\/inteligencia-artificial-definicion\">Inteligencia artificial<\/a>:\u00a0es un campo de investigaci\u00f3n que re\u00fane todas las t\u00e9cnicas y m\u00e9todos que tienden a comprender y reproducir el funcionamiento de un cerebro humano.<\/li>\n\n\n\n<li><a href=\"https:\/\/liora.io\/es\/machine-learning-definicion-funcionamiento-usos\">Machine Learning<\/a>:\u00a0se trata de un conjunto de t\u00e9cnicas que dan a las m\u00e1quinas la capacidad de aprender autom\u00e1ticamente un conjunto de reglas a partir de los datos. A diferencia de la programaci\u00f3n, que consiste en la ejecuci\u00f3n de reglas predeterminadas.<\/li>\n\n\n\n<li><strong>Deep Learning:<\/strong>\u00a0es una t\u00e9cnica de aprendizaje autom\u00e1tico basada en el modelo de red neuronal: se apilan decenas o incluso cientos de capas de neuronas para aportar mayor complejidad al establecimiento de reglas.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"h-machine-learning-aprendizaje-supervisado-y-no-supervisado\">Machine Learning : aprendizaje supervisado y no supervisado<\/h2>\n\n\n\n<p>El&nbsp;<a href=\"https:\/\/liora.io\/es\/machine-learning-definicion-funcionamiento-usos\">Machine learning<\/a>&nbsp;es un conjunto de t\u00e9cnicas que dan a las m\u00e1quinas la capacidad de aprender, a diferencia de la programaci\u00f3n, que consiste en la ejecuci\u00f3n de reglas predeterminadas.<\/p>\n\n\n\n<p>Hay dos tipos principales de aprendizaje en el aprendizaje autom\u00e1tico. Aprendizaje supervisado y no supervisado.<\/p>\n\n\n\n<p>En el&nbsp;<strong>aprendizaje supervisado<\/strong>, el algoritmo se gu\u00eda por&nbsp;<strong>un conocimiento previo<\/strong>&nbsp;de cu\u00e1les deben ser&nbsp;<strong>los valores de salida<\/strong>&nbsp;del modelo. En consecuencia, el modelo ajusta sus par\u00e1metros para reducir la diferencia entre&nbsp;<strong>los resultados obtenidos y los esperados<\/strong>. As\u00ed, el&nbsp;<strong>margen de error se reduce<\/strong>&nbsp;a medida que&nbsp;<strong>el modelo se entrena<\/strong>&nbsp;para poder aplicarlo a nuevos casos.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter\" style=\"margin-top:var(--wp--preset--spacing--columns);margin-bottom:var(--wp--preset--spacing--columns)\"><img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2020\/09\/DL-1.gif\" alt=\"\" \/><figcaption class=\"wp-element-caption\">Convergence d&#8217;un mod\u00e8le &#8211; Apprentissage supervis\u00e9<\/figcaption><\/figure>\n\n\n\n<p>En cambio, <b>el aprendizaje no supervisado<\/b> no utiliza datos etiquetados. Por lo tanto, es imposible que el algoritmo calcule una puntuaci\u00f3n de \u00e9xito con certeza. Su objetivo es, por tanto, <b>deducir los clusters<\/b> presentes en nuestros datos. Tomemos el ejemplo de un conjunto de datos de flores, queremos agruparlas en clases. Aqu\u00ed no conocemos la especie de la planta, pero queremos intentar agruparlas, por ejemplo, si las formas de las flores son similares, entonces est\u00e1n relacionadas con la misma planta correspondiente. Hay dos \u00e1reas principales de modelos en el aprendizaje no supervisado para encontrar agrupaciones :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>M\u00e9todos de partici\u00f3n: algoritmos k-means.<\/li>\n\n\n\n<li>M\u00e9todos de agrupaci\u00f3n jer\u00e1rquica : <strong>clasificaci\u00f3n jer\u00e1rquica ascendente<\/strong> (HAC)<\/li>\n<\/ul>\n\n\n\n<figure class=\"wp-block-image aligncenter\"><img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2020\/09\/DL-2.gif.pagespeed.ce_.sPGY6AGTSh.gif\" alt=\"\" \/><figcaption class=\"wp-element-caption\">K-means avec k=3<\/figcaption><\/figure>\n\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\">\n<div class=\"wp-block-button\"><a class=\"wp-block-button__link wp-element-button\" href=\"https:\/\/liora.io\/es\/nuestros-cursos-de-data\">Saber m\u00e1s de nuestras formaciones<\/a><\/div>\n<\/div>\n\n\n<h2 class=\"wp-block-heading\" id=\"que-es-el-deep-learning\">&iquest;Qu&eacute; es el Deep Learning?<\/h2>\n\n\n\n<p>El <b>Deep learning <\/b>es una de las principales tecnolog\u00edas del aprendizaje autom\u00e1tico. Con el Deep Learning, hablamos de algoritmos que son <b>capaces de imitar las acciones del cerebro humano mediante redes neuronales artificiales<\/b>.&nbsp; Las redes se componen de docenas o incluso cientos de \u00abcapas\u00bb de neuronas, cada una de las cuales recibe e interpreta informaci\u00f3n de la capa anterior.&nbsp;<\/p>\n\n\n\n<figure class=\"wp-block-image alignnone\" style=\"margin-top:var(--wp--preset--spacing--columns);margin-bottom:var(--wp--preset--spacing--columns)\"><img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/2020\/06\/DL3-1024x614.gif\" alt=\"r\u00e9seau de couches\" \/><figcaption class=\"wp-element-caption\">source : Medium.com<\/figcaption><\/figure>\n\n\n\n<p>Cada neurona artificial, representada en la imagen anterior por un c\u00edrculo, puede verse como un modelo lineal. Al interconectar las neuronas en una capa, transformamos nuestra red neuronal en un modelo no lineal muy complejo.<\/p>\n\n\n\n<p class=\"has-text-align-right\">source : <a href=\"https:\/\/www.youtube.com\/c\/MachineLearnia\">Machine Learnia<\/a><\/p>\n\n\n\n<p>Para ilustrar el concepto, tomemos un problema de clasificaci\u00f3n entre perro y gato a partir de im\u00e1genes. <b>Durante el entrenamiento, el algoritmo ajustar\u00e1 los pesos de las neuronas para reducir la diferencia entre los resultados obtenidos y los esperados.<\/b> El modelo podr\u00e1 aprender a detectar tri\u00e1ngulos en una imagen, ya que los gatos tienen las orejas mucho m\u00e1s triangulares que los perros.<\/p>\n\n\n<h3 class=\"wp-block-heading\" id=\"para-que-se-utiliza-el-deep-learning\">&iquest;Para qu&eacute; se utiliza el Deep Learning?<\/h3>\n\n\n\n<p>Los <b>modelos de aprendizaje profund<\/b><strong>o<\/strong> tienden a funcionar bien con grandes cantidades de datos, mientras que los modelos de aprendizaje autom\u00e1tico m\u00e1s tradicionales dejan de mejorar despu\u00e9s de un punto de saturaci\u00f3n<\/p>\n\n\n\n<p class=\"has-text-align-right\">source : <a href=\"https:\/\/medium.com\/\">Medium.com<\/a><\/p>\n\n\n\n<p>A lo largo de los a\u00f1os, con la aparici\u00f3n del <b>big data<\/b> y de componentes inform\u00e1ticos cada vez m\u00e1s potentes, los algoritmos de aprendizaje profundo que requieren mucha potencia y datos han superado a la mayor\u00eda de los dem\u00e1s m\u00e9todos. Parecen estar preparadas para <b>resolver muchos problemas: reconocer caras, ganar a jugadores de go o de p\u00f3quer, permitir la conducci\u00f3n de coches aut\u00f3nomos o buscar c\u00e9lulas cancer\u00edgenas.<\/b><\/p>\n\n\n<h2 class=\"wp-block-heading\" id=\"la-ia-en-el-mundo-profesional\">La IA en el mundo profesional<\/h2>\n\n\n\n<p>Casi todos los sectores se ven afectados por la IA. El aprendizaje autom\u00e1tico y el aprendizaje profundo juegan un gran papel.\u00a0Ya sea usted un profesional de la medicina o un abogado, es posible que un d\u00eda un modelo altamente aut\u00f3nomo le asista o incluso le sustituya.<\/p>\n\n\n\n<p>En el sector de la salud , ya existen aplicaciones para <b>diagnosticar autom\u00e1ticamente<\/b> a un paciente. <\/p>\n\n\n\n<p>Detecci\u00f3n autom\u00e1tica de una fractura mediante Deep Learning<\/p>\n\n\n\n<p>La <b>industria del autom\u00f3vil <\/b>tambi\u00e9n se ve sacudida por la llegada de la conducci\u00f3n asistida.<\/p>\n\n\n\n<p>Tambi\u00e9n es gracias al deep learning que el modelo\u00a0<strong>Alpha Go de Google<\/strong>\u00a0consigui\u00f3 vencer a<strong>\u00a0los mejores campeones de Go en 2016<\/strong>. El propio motor de b\u00fasqueda del gigante estadounidense se basa cada vez m\u00e1s en el aprendizaje profundo y no en reglas escritas.<\/p>\n\n\n\n<p>Hoy en d\u00eda, el aprendizaje profundo es incluso capaz de \u00abcrear\u00bb cuadros por s\u00ed mismo. Esto se llama Transferencia de Estilo. Si est\u00e1 interesado en este tema, pronto estar\u00e1 disponible en nuestro blog un art\u00edculo enteramente dedicado a \u00e9l. Transferencia de estilo\u00a0<\/p>\n\n\n\n<p>A continuaci\u00f3n, le presentaremos&nbsp;<strong>las redes neuronales<\/strong>&nbsp;con<strong>&nbsp;un nuevo enfoque<\/strong>, \u00a1esperamos que le guste!<\/p>\n\n\n<h3 class=\"wp-block-heading\" id=\"el-aprendizaje-profundo-como-solucion-en-el-comercio-electronico\">El aprendizaje profundo como soluci&oacute;n en el comercio electr&oacute;nico<\/h3>\n\n\n\n<p>Es evidente que el sector del comercio electr\u00f3nico genera grandes cantidades de datos. Las empresas, los comerciantes y los minoristas son conscientes de que las soluciones de Big Data para gestionar sus operaciones har\u00e1n que su negocio sea m\u00e1s valioso. A pesar de todas estas soluciones innovadoras, el Big Data puede ser una bendici\u00f3n o una maldici\u00f3n, dependiendo de c\u00f3mo se utilice y aplique.<\/p>\n\n\n\n<p>La revoluci\u00f3n de la inteligencia artificial pretende facilitar la gesti\u00f3n de esta enorme cantidad de datos, utilizando tecnolog\u00edas inteligentes como el aprendizaje profundo. Es esencial porque proporciona elementos para un mejor an\u00e1lisis de los datos.<\/p>\n\n\n\n<p>En un caso pr\u00e1ctico, el an\u00e1lisis de la IA facilita que una tienda online ofrezca productos interesantes a sus clientes, destaque sus preferencias y les d\u00e9 una atenci\u00f3n personalizada. El aprendizaje profundo automatiza lo que se conoce como an\u00e1lisis predictivo. Con el an\u00e1lisis predictivo, los clientes pueden recibir sugerencias a la hora de realizar una compra.<\/p>\n\n\n\n<p>El aprendizaje profundo define un estilo cuando se trata de comercio electr\u00f3nico. No se trata de crear sitios en l\u00ednea que atraigan a grandes proporciones de compradores. <strong>El objetivo es enviar mensajes claros e individualizados<\/strong> a cada uno de ellos.<\/p>\n\n\n\n<p>El Big Data se somete a un an\u00e1lisis en profundidad a trav\u00e9s del aprendizaje profundo, lo que conduce a un proceso de compra m\u00e1s f\u00e1cil para los clientes. Los algoritmos de aprendizaje profundo ayudan a la empresa a obtener una mejor experiencia y a hacer un seguimiento de quienes han visitado su sitio.<\/p>\n\n\n\n<p>El aprendizaje profundo viene a facilitar la expansi\u00f3n del comercio electr\u00f3nico. Las ventas online est\u00e1n siendo impulsadas por tendencias tecnol\u00f3gicas como los chatbots. En cierto modo, el aprendizaje profundo est\u00e1 redefiniendo el comercio en l\u00ednea y todav\u00eda est\u00e1 en sus inicios. Por lo tanto, quienes lo adopten tendr\u00e1n m\u00e1s ventajas.<\/p>\n\n\n<h2 class=\"wp-block-heading\" id=\"deep-learning-y-redes-neuronales-biologicas-o-artificiales-la-misma-batalla\">Deep Learning y redes neuronales : &iquest;biol&oacute;gicas o artificiales ? La misma batalla<\/h2>\n\n\n\n<p>Antes de abordar el funcionamiento preciso de las redes neuronales, hemos pensado que ser\u00eda interesante establecer <b>un paralelismo con las neuronas biol\u00f3gicas&nbsp;<\/b>(Que no cunda el p\u00e1nico, a continuaci\u00f3n habr\u00e1 un art\u00edculo dedicado a las redes neuronales utilizadas en el Deep Learning).<\/p>\n\n\n<h3 class=\"wp-block-heading\" id=\"la-neurona-biologica-estructura-y-funcion\">La neurona biol&oacute;gica : estructura y funci&oacute;n<\/h3>\n\n\n\n<p><strong>El sistema nervioso<\/strong> est\u00e1 <strong>compuesto por miles de millones de c\u00e9lulas<\/strong> : es una red de neuronas biol\u00f3gicas. En efecto, <strong>las neuronas no son independientes<\/strong> unas de otras, sino que establecen v\u00ednculos entre ellas y f<strong>orman redes m\u00e1s o menos complejas.<\/strong><\/p>\n\n\n\n<p>&nbsp;La neurona biol\u00f3gica se compone de tres partes principales :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>El <strong>cuerpo celular<\/strong> compuesto por el <strong>centro de control que procesa la informaci\u00f3n<\/strong> recibida por las dendritas.<\/li>\n\n\n\n<li><strong>Las dendritas<\/strong> son los <strong>cables principales<\/strong> por los que <strong>pasa la informaci\u00f3n<\/strong> del exterior.<\/li>\n\n\n\n<li>El <strong>ax\u00f3n<\/strong> es <strong>el cable conductor que lleva la se\u00f1al de salida del cuerpo celular a otras <\/strong><strong>neuronas<\/strong>.<\/li>\n<\/ul>\n\n\n\n<p>En cuanto a las <strong>sinapsis<\/strong>, act\u00faan como enlaces y pesos entre las neuronas y, por tanto, permiten que \u00e9stas se comuniquen entre s\u00ed.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter\"><a href=\"https:\/\/studdy.in\/what-happens-at-the-synapse-between-two-neurons\/\"><img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2020\/06\/Capture-d\u2019e\u0301cran-2020-06-12-a\u0300-13.32.51.png\" alt=\"neurones biologique\" \/><\/a><figcaption class=\"wp-element-caption\">Source : Studdy<\/figcaption><\/figure>\n\n\n<h3 class=\"wp-block-heading\" id=\"cual-es-el-vinculo-entre-las-neuronas-biologicas-y-las-artificiales\">&iquest;Cu&aacute;l es el v&iacute;nculo entre las neuronas biol&oacute;gicas y las artificiales?<\/h3>\n\n\n\n<p><strong>En Resumen :<\/strong><\/p>\n\n\n\n<p>Las<strong> neuronas biol\u00f3gicas<\/strong> tienen un <strong>centro de control<\/strong> (llamado c\u00e9lula som\u00e1tica) que resume la informaci\u00f3n recogida por las dendritas. El centro de control <strong>devuelve entonces un potencial de acci\u00f3n<\/strong> seg\u00fan las siguientes reglas :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Si la suma de entrada no supera <strong>el umbral de excitaci\u00f3n <\/strong>: no hay mensaje nervioso a trav\u00e9s del ax\u00f3n.<\/li>\n\n\n\n<li>Si la suma de entrada supera el umbral de excitaci\u00f3n : se env\u00eda <strong>un mensaje nervioso<\/strong> a trav\u00e9s del ax\u00f3n (esa es la idea, pero en realidad es un poco m\u00e1s complicado).<\/li>\n<\/ul>\n\n\n\n<p>Hagamos una sencilla comparaci\u00f3n de los principales pasos del <b>algoritmo del perceptr\u00f3n<\/b> con los bloques de construcci\u00f3n de las neuronas biol\u00f3gicas. Esta <b>elecci\u00f3n del algoritmo<\/b> se justifica <b>porque es lo m\u00e1s parecido al funcionamiento de las neuronas biol\u00f3gicas :<\/b><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><b>Sinapsis\/dendritas <\/b>: ponderaci\u00f3n de cada elemento de entrada wi{spanish}, cdot cdot,}xi<\/li>\n\n\n\n<li><b>Cuerpos celulares :<\/b> aplicaci\u00f3n de una funci\u00f3n de activaci\u00f3n f a la suma de las entradas ponderadas<\/li>\n\n\n\n<li><b>Ax\u00f3n <\/b>: resultado de nuestro modelo<\/li>\n<\/ul>\n\n\n\n<figure class=\"wp-block-image aligncenter\" style=\"margin-top:var(--wp--preset--spacing--columns);margin-bottom:var(--wp--preset--spacing--columns)\"><img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2020\/06\/content_content_neuron.png\" alt=\"neuron\" \/><figcaption class=\"wp-element-caption\">Source : Datacamp<\/figcaption><\/figure>\n\n\n\n<p>El vocabulario espec\u00edfico de este algoritmo es el siguiente :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>El <strong>vector w<\/strong> se llama vector de pesos (que se ajusta durante el entrenamiento).<\/li>\n\n\n\n<li>El <strong>vector x<\/strong> se llama vector de entrada.<\/li>\n<\/ul>\n\n\n\n<p>f se denomina <strong>funci\u00f3n de activaci\u00f3n<\/strong>.<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p><i>Para la mayor\u00eda de las funciones de activaci\u00f3n, el perceptr\u00f3n consiste en encontrar el hiperplano de separaci\u00f3n (definido por w) entre nuestras dos clases :<\/i><\/p>\n<\/blockquote>\n\n\n\n<figure class=\"wp-block-image aligncenter\" style=\"margin-top:var(--wp--preset--spacing--columns);margin-bottom:var(--wp--preset--spacing--columns)\"><a href=\"\/\"><img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2020\/06\/Capture-d\u2019e\u0301cran-2020-06-12-a\u0300-13.17.07.png\" alt=\"algorithme de Perceptron\" \/><\/a><figcaption class=\"wp-element-caption\">Source: Computer Science University of Toronto<\/figcaption><\/figure>\n\n\n\n<p>El algoritmo simple del Perceptr\u00f3n ya no se utiliza en la pr\u00e1ctica, ya que otros algoritmos, como la <b>Support Vector Machine<\/b>, son mucho m\u00e1s eficaces. Adem\u00e1s, las neuronas biol\u00f3gicas no se utilizan individualmente, sino que suelen estar vinculadas a otras neuronas.<\/p>\n\n\n\n<p>El inter\u00e9s por el <b>algoritmo del perceptr\u00f3n<\/b> proviene de una t\u00e9cnica demostrada en 1989 por George Cybenko que consiste en enlazar y apilar capas de perceptr\u00f3n para proporcionar una mayor complejidad. Un algoritmo de este tipo se llama Perceptr\u00f3n Multicapa, a menudo abreviado como MLP.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter\" style=\"margin-top:var(--wp--preset--spacing--columns);margin-bottom:var(--wp--preset--spacing--columns)\"><img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2020\/06\/Capture-d\u2019e\u0301cran-2020-06-12-a\u0300-13.18.36-1024x454.png\" alt=\"Perceptron Multicouche\" \/><\/figure>\n\n\n\n<p>En la figura anterior, el modelo consiste en<b> clasificar (en 10 clases) im\u00e1genes de figuras manuscritas<\/b>. Los cuadrados verdes son las entradas de nuestro modelo, los perceptrones est\u00e1n representados por c\u00edrculos grises y los enlaces est\u00e1n representados por las flechas.<\/p>\n\n\n\n<p>En general, <b>la \u00faltima capa de nuestro modelo<\/b> se utiliza para dar<b> forma al resultado deseado<\/b>. Aqu\u00ed, como tenemos <b>un problema de clasificaci\u00f3n<\/b>, queremos<b> predecir la probabilidad<\/b> de cada clase (n\u00famero 0, n\u00famero 1&#8230;). Por eso la \u00faltima capa tiene 10 neuronas, ya que hay 10 clases, y<b> una funci\u00f3n de activaci\u00f3n \u00absoftmax\u00bb<\/b> para <b>devolver una probabilidad.<\/b><\/p>\n\n\n\n<p>Es mucho m\u00e1s libre para las otras capas de nuestro modelo, es especialmente importante que<b> las funciones de activaci\u00f3n de los perceptrones sean no lineales para hacer el modelo <\/b>m\u00e1s complejo. En la pr\u00e1ctica, las funciones de activaci\u00f3n tanh o ReLU son las m\u00e1s utilizadas.<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p><i>Al igual que en LEGO, corresponde al cient\u00edfico de datos elegir la arquitectura de su modelo.<\/i><\/p>\n<\/blockquote>\n\n\n\n<p>Hay algunas arquitecturas que rinden m\u00e1s que otras, pero no hay ninguna regla matem\u00e1tica real detr\u00e1s de ellas. Es la experiencia la que prima sobre la elecci\u00f3n de las estructuras del modelo.<\/p>\n\n\n\n<p>fuentes&nbsp;:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>F. Rosenblatt (1958), <i>The perceptron: a probabilistic model for information storage and organization in the brain <\/i><i>(<\/i><a href=\"http:\/\/citeseerx.ist.psu.edu\/viewdoc\/download?doi=10.1.1.335.3398&amp;rep=rep1&amp;type=pdf\"><i>http:\/\/citeseerx.ist.psu.edu\/viewdoc\/download?doi=10.1.1.335.3398&amp;rep=rep1&amp;type=pdf<\/i><\/a>)<\/li>\n\n\n\n<li>G. Cybenkot (1989), <i>Approximation by Superpositions of a Sigmoidal Function <\/i>(<a href=\"http:\/\/cognitivemedium.com\/magic_paper\/assets\/Cybenko.pdf\">http:\/\/cognitivemedium.com\/magic_paper\/assets\/Cybenko.pdf<\/a>)<\/li>\n<\/ul>\n\n\n\n<p><strong>Article 1<\/strong>&nbsp;<strong>:<\/strong> Introducci\u00f3n al deep learning y a las redes neuronales<\/p>\n\n\n\n<p><strong>Article 2 :<\/strong>\u00a0<a href=\"https:\/\/liora.io\/es\/convolutional-neural-network-es\">Convolutional neural network<\/a><\/p>\n\n\n\n<p><strong>Article 3 : <\/strong><a href=\"https:\/\/liora.io\/es\/redes-neuronales-artificiales-que-es\">Funcionamiento de las redes neuronales<\/a><\/p>\n\n\n\n<p><strong>Article 4 :<\/strong> <a href=\"https:\/\/liora.io\/es\/que-es-el-transfer-learning\">Transfer Learning<\/a><\/p>\n\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\">\n<div class=\"wp-block-button\"><a class=\"wp-block-button__link wp-element-button\" href=\"https:\/\/liora.io\/es\/deep-learning-definicion\">Descubre nuestra formaci\u00f3n en Deep Learning<\/a><\/div>\n<\/div>\n\n\n\n<script type=\"application\/ld+json\">\n{\n  \"@context\": \"https:\/\/schema.org\",\n  \"@type\": \"FAQPage\",\n  \"mainEntity\": [\n    {\n      \"@type\": \"Question\",\n      \"name\": \"Conceptos clave : IA, aprendizaje autom\u00e1tico y aprendizaje profundo\",\n      \"acceptedAnswer\": {\n        \"@type\": \"Answer\",\n        \"text\": \"Inteligencia artificial: campo de investigaci\u00f3n que re\u00fane t\u00e9cnicas para comprender\/reproducir el funcionamiento del cerebro humano. Machine Learning: conjunto de t\u00e9cnicas que dan a m\u00e1quinas capacidad de aprender autom\u00e1ticamente reglas a partir de datos. Deep Learning: t\u00e9cnica de Machine Learning basada en redes neuronales con decenas\/cientos de capas para mayor complejidad en el establecimiento de reglas.\"\n      }\n    },\n    {\n      \"@type\": \"Question\",\n      \"name\": \"Machine Learning : aprendizaje supervisado y no supervisado\",\n      \"acceptedAnswer\": {\n        \"@type\": \"Answer\",\n        \"text\": \"Aprendizaje supervisado: algoritmo guiado por conocimiento previo de valores de salida esperados, ajusta par\u00e1metros para reducir diferencia entre resultados obtenidos y esperados. Aprendizaje no supervisado: no usa datos etiquetados, deduce clusters presentes en datos (m\u00e9todos partici\u00f3n k-means, m\u00e9todos agrupaci\u00f3n jer\u00e1rquica HAC).\"\n      }\n    },\n    {\n      \"@type\": \"Question\",\n      \"name\": \"\u00bfQu\u00e9 es el Deep Learning?\",\n      \"acceptedAnswer\": {\n        \"@type\": \"Answer\",\n        \"text\": \"Deep Learning es tecnolog\u00eda de Machine Learning que imita acciones del cerebro mediante redes neuronales artificiales con m\u00faltiples capas. Cada neurona (modelo lineal) interconectada en capas transforma la red en modelo no lineal complejo. Ejemplo clasificaci\u00f3n perro\/gato: algoritmo ajusta pesos para reducir diferencia entre resultados y esperados, aprendiendo a detectar tri\u00e1ngulos (orejas gato m\u00e1s triangulares).\"\n      }\n    },\n    {\n      \"@type\": \"Question\",\n      \"name\": \"La IA en el mundo profesional\",\n      \"acceptedAnswer\": {\n        \"@type\": \"Answer\",\n        \"text\": \"IA afecta casi todos sectores. Salud: aplicaciones diagnostican pacientes autom\u00e1ticamente (detecci\u00f3n fracturas). Automoci\u00f3n: conducci\u00f3n asistida. Deep Learning permiti\u00f3 a AlphaGo vencer campeones Go (2016). Buscadores Google usan aprendizaje profundo. Transferencia de estilo permite crear cuadros aut\u00f3nomamente. Comercio electr\u00f3nico: an\u00e1lisis IA ofrece productos personalizados, an\u00e1lisis predictivo, chatbots impulsan ventas online.\"\n      }\n    }\n  ]\n}\n<\/script>\n","protected":false},"excerpt":{"rendered":"<p>Este art\u00edculo es el primero de una serie dedicada al Deep Learning : tras haber presentado a grandes rasgos el funcionamiento y las aplicaciones de las redes neuronales, en los siguientes art\u00edculos descubrir\u00e1s con m\u00e1s detalle los principales tipos de redes y sus arquitecturas, as\u00ed como los m\u00e9todos y diversos ejemplos de aplicaciones del Deep [&hellip;]<\/p>\n","protected":false},"author":47,"featured_media":183793,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2440],"class_list":["post-156853","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ia"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/156853","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/users\/47"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/comments?post=156853"}],"version-history":[{"count":4,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/156853\/revisions"}],"predecessor-version":[{"id":184434,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/156853\/revisions\/184434"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media\/183793"}],"wp:attachment":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media?parent=156853"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/categories?post=156853"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}