El documento describe el aprendizaje profundo como un conjunto de algoritmos de aprendizaje automático que intenta modelar abstracciones de alto nivel en datos usando múltiples transformaciones no lineales. Varias arquitecturas de aprendizaje profundo como redes neuronales profundas han mostrado producir resultados de vanguardia en tareas como reconocimiento de imágenes y voz. El futuro del aprendizaje profundo se centra en mejorar el reconocimiento de idiomas y mejorar la búsqueda y anuncios relacionados.

1. DEEP LEARNING
Aprendizaje Profundo
DESCRIPCCIÓN
Tecnología basada en redes neuronales artificiales
que permite obtener y aprender múltiples niveles
de representación y abstracción para manejar y dar
sentido a datos como imágenes, sonidos y texto
Integrantes:
 Alexander López Zacarías
 Sergio Jerémias Yat Leal
 Alfredo Tello Yat
 Víctor Hugo Choc Cac
16/07/2016
Universidad Mariano Gálvez de Guatemala
Inteligencia Artificial
Dr. Orestes Febles

2. Introducción:
El aprendizaje profundo en inglés Deep learning es la unión de diversos algoritmos
o fórmulas de aprendizaje automático para enseñar a las máquinas cuestiones
abstractas más avanzadas, tales como reconocer caras, traducir textos o entender
el lenguaje hablado.
Varias arquitecturas de aprendizaje profundo, como redes neuronales profundas,
redes neuronales profundas convolucionales, y redes de creencia profundas, han
sido aplicadas a campos como visión por computador, reconocimiento automático
del habla, y reconocimiento de señales de audio y música, y han mostrado producir
resultados de vanguardia en varias tareas.

3. Deep Learning Aprendizaje Profundo
Aprendizaje profundo (en inglés, Deep learning) es un conjunto de algoritmos en
aprendizaje automático (en inglés, machine learning) que intenta modelar
abstracciones de alto nivel en datos usando arquitecturas compuestas de
transformaciones no-lineales múltiples.
Varias arquitecturas de aprendizaje profundo, como redes neuronales profundas,
redes neuronales profundas convolucionales, y redes de creencia profundas, han
sido aplicadas a campos como visión por computador, reconocimiento automático
del habla, y reconocimiento de señales de audio y música, y han mostrado producir
resultados de vanguardia en varias tareas.
El aprendizaje profundo es una nueva área de investigación Machine Learning, que
se ha introducido con el objetivo de mover la máquina de aprendizaje más cerca de
uno de sus objetivos originales: Inteligencia Artificial.
Por otro lado, el aprendizaje automático consiste básicamente en dotar a los
ordenadores de inteligencia artificial permitiéndoles aprender y una forma de
hacerlo es utilizando redes neuronales. Finalmente, el aprendizaje profundo es la
unión de diversos algoritmos o fórmulas de aprendizaje automático para enseñar a
las máquinas cuestiones abstractas más avanzadas, tales como reconocer caras,
traducir textos o entender el lenguaje hablado.
En Google saben bastante de todo lo anterior: cuentan con un muy buen traductor,
su buscador entiende la esencia el del contenido de cada página web que leen sus
bots al añadirlas al índice y su coche autónomo realiza un ejercicio supremo de
abstracción para reconocer vehículos y personas en imágenes en tiempo real,
combinándolo con información de callejeros, sensores y demás

4. Inteligencia:
Capacidad de tomar las decisiones correctas, de acuerdo con algún criterio (ej,la
supervivencia y la reproducción, para la mayoría de los animales). Para tomar
mejores decisiones requiere conocimiento, en una forma que sea operativa, es
decir, puede ser utilizado para interpretar los datos sensoriales y utilizar esa
información para tomar decisiones.
Hay muchas tareas que los animales y los seres humanos son capaces de hacer
con bastante facilidad, pero que permanecen fuera del alcance de los ordenadores,
a principios del siglo 21.
Muchas de estas tareas caen bajo la etiqueta de Inteligencia Artificial, e incluyen
muchas tareas de percepción y de control.
Aplicación del Deep Learning
 Reconocimiento Facial
 Reconocimiento del habla
Evaluador de uso común
MINIST:
Base de datos MNIST, con 60000 imágenes de dígitos escritos a mano, y las
etiquetas indicando el dígito al que corresponde cada imagen.
Aspectos importantes a considerar del Deep Learning:

5. Arquitectura de Aprendizaje Profundo:
Varias arquitecturas de aprendizaje profundo, como redes neuronales profundas,
redes neuronales profundas convolucionales, y redes de creencia profundas, han
sido aplicadas a campos como visión por computador, reconocimiento automático
del habla, y reconocimiento de señales de audio y música, y han mostrado producir
resultados de vanguardia en varias tareas.
Finalmente, el aprendizaje profundo es la unión de diversos algoritmos o fórmulas
de aprendizaje automático para enseñar a las máquinas cuestiones abstractas más
avanzadas, tales como reconocer caras, traducir textos o «entender» el lenguaje
hablado.
Modelos Básicos de Redes:
 Redes Neurales Profundas RNP
 Redes de Creencias Profundas RNP
 Redes Neurales Convolucionales
Estos modelos han sido aplicados a campos como visión por computador,
reconocimiento automático del habla, y reconocimiento de señales de audio y
música, y han mostrado producir resultados de vanguardia en varias tareas.
Futuro de la Deep Learning
 Los modelos de aprendizaje profundo pueden utilizar datos de fonemas en inglés
para entrenar rápidamente a los sistemas y que reconozcan sonidos hablados
en otros idiomas.
 Reconocimiento de imagen más sofisticado pueda hacer que los coches auto
conducidos de Google mejoren notablemente.
 Búsquedas y los anuncios relacionados con todo ello a la hora de reconocer lo
que la gente realmente esté buscando, tal vez incluso antes de que se den
cuenta.

6. Egrafía:
 https://www.technologyreview.es/informatica/42965/aprendizaje-
profundo/
 https://es.wikipedia.org/wiki/Aprendizaje_profundo
 https://rubenlopezg.wordpress.com/2014/05/07/que-es-y-como-funciona-
deep-learning/
 http://socialgeek.co/tecnologia/video-google-te-explica-como-funcionan-
aprendizaje-automatico-redes-neuronales-aprendizaje-profundo/

7. Conclusiones:
Deep Learning conjunto de algoritmos en aprendizaje automático (en inglés,
machine learning) que intenta modelar abstracciones de alto nivel en datos usando
arquitecturas compuestas de transformaciones no-lineales múltiples.
Gracias al avance de la aplicación del aprendizaje profundo, se están produciendo
avances notables en el reconocimiento del habla e imágenes, aplicación de bots
(algoritmos que asemejan al comportamiento humano).
Futuro de la Deep Learning se centra en los modelos de aprendizaje profundo
pueden utilizar datos de fonemas en inglés para entrenar rápidamente a los
sistemas y que reconozcan sonidos hablados en otros idiomas, reconocimiento de
imagen, búsquedas y los anuncios relacionados lo que la gente realmente esté
buscando, tal vez incluso antes de que se den cuenta.