Aprendizaje Profundo Práctico para Nube, Móvil y Edge

Curso acelerado de redes neuronales convolucionales

En consonancia con la palabra "práctico" del título del libro, nos hemos centrado en gran medida en los aspectos del aprendizaje profundo relacionados con el mundo real. El objetivo de este apéndice es servir como material de referencia, más que como una exploración completa de los aspectos teóricos del aprendizaje profundo. Para profundizar en el conocimiento de algunos de estos temas, te recomendamos que leas la sección "Profundización ", donde encontrarás referencias a otras fuentes.

Aprendizaje automático

• Aprendizaje automático ayuda a aprender patrones de los datos para hacer predicciones sobre datos no vistos.

• Hay tres tipos de aprendizaje automático: aprendizaje supervisado (aprendizaje a partir de datos etiquetados), aprendizaje no supervisado (aprendizaje a partir de datos no etiquetados) y aprendizaje por refuerzo (aprendizaje por acción y retroalimentación de un entorno).

• Las tareas de aprendizaje supervisado incluyen la clasificación (la salida es una de muchas categorías/clases) y la regresión (la salida es un valor numérico).

• Existen varias técnicas de aprendizaje automático supervisado, como Bayes ingenuo, SVM, árboles de decisión, k-vecinos más próximos, redes neuronales y otras.

Perceptrón

• Un perceptrón, como se muestra en la Figura -1, es la forma más sencilla de red neuronal, una red neuronal de una sola capa con una neurona.

• Un perceptrón calcula una suma ponderada de sus entradas; es decir, ...