Aprenentage profunt
El aprenentage profunt (en anglés, deep learning) és una branca del aprenentage automàtic que es basa en l'us d'algoritmes per a modelar i comprendre senyes complexes. Estos algoritmes s'inspiren en l'estructura i funció del cervell humà, utilisant múltiples capes de processament per a extraure i transformar informació de manera iterativa. L'objectiu és crear models que puguen deprendre representacions abstractes de les senyes, lo que els permet realisar tasques com el reconeiximent de patrons, la classificació i la predicció en alta precisió.[2]
En essència, l'aprenentage profunt busca identificar les millors maneres de representar les senyes per a facilitar l'aprenentage de tasques específiques. Per eixemple, una image pot representar-se com un conjunt de pixelés, pero algunes representacions, com les que resalten les característiques importants de l'image, poden fer que siga més fàcil per a un model determinar si l'image conté un rostre humà.
L'aprenentage profunt ha demostrat ser especialment eficaç en àrees com la visió artificial, el reconeiximent del parla i el processament d'àudio i música. Arquitectura com les rets neuronals convolucionales i els transformadors han conseguit resultats sobreixents en estes àrees, superant a sovint a atres enfocaments d'aprenentage automàtic.
Aplicacions
[editar | editar còdic]Medicina
[editar | editar còdic]L'aprenentage profunt s'ha aplicat de forma extensa en medicina per a tasques com a classificació d'imàgens, segmentación d'òrguens i lesions, anàlisis de histopatología digital i respal al diagnòstic a partir d'imàgens radiològiques i de laboratori.
Des de 2022, les arquitectura Vision Transformer (ViT) han demostrat un rendiment comparable o superior a les rets neuronals convolucionales (CNN) en classificació d'imàgens mèdiques de gran escala, permetent capturar dependències globals en imàgens de gigapíxeles per mig de mecanismes d'auto-atenció jeràrquica.
Definicions
[editar | editar còdic]Encara que no existix una definició única i universalment acceptada d'aprenentage profunt, el concepte central implica l'us de múltiples capes de processament per a extraure característiques i patrons de les senyes. Les diferents definicions solen destacar aspectes com:
- Us de capes no llineals: Els algoritmes d'aprenentage profunt utilisen una série de capes, cada una de les quals aplica una transformació no llineal a les senyes d'entrada. Açò permet que el model deprenga representacions complexes i abstractes de les senyes.
- Aprenentage de representacions jeràrquiques: L'aprenentage profunt es basa en l'idea de que les senyes poden representar-se en múltiples nivells d'abstracció. Les capes inferiors deprenen característiques bàsiques, mentres que les capes superiors combinen estes característiques per a formar representacions més complexes.
- Aprenentage supervisat i no supervisat: Els algoritmes d'aprenentage profunt poden utilisar-se tant en escenaris d'aprenentage supervisat, a on el model s'entrena en senyes etiquetades, com en escenaris d'aprenentage no supervisat, a on el model deu descobrir patrons en les senyes sense etiquetes.
En resum, l'aprenentage profunt es caracterisa per l'us de múltiples capes de processament no llineal per a deprendre representacions jeràrquiques de les senyes, ya siga de forma supervisada o no supervisada.
La diferència clau entre els algoritmes d'aprenentage profunt i els de aprenentage "poc profunt" radica en el número de transformacions que s'apliquen a les senyes. Mentres que els algoritmes "poc profunts" poden aplicar una o dos transformacions, els algoritmes d'aprenentage profunt solen utilisar moltes més capes, lo que els permet deprendre representacions més complexes.[3]<span title="Erro en la seqüencia d'órdens: no existix el mòdul «DecodeEncode».">: Plantilla:R/where Encara que no hi ha un número exacte de capes que definixca quàn un algoritme es considera "profunt", la majoria dels investigadors coincidixen que implica més de dos transformacions intermiges.[3]<span title="Erro en la seqüencia d'órdens: no existix el mòdul «DecodeEncode».">: Plantilla:R/where
Ademés de les arquitectura formades per un número finito de capes, s'han desenrollat models de profunditat contínua dins de la família de les equacions diferencials neuronals. En les neural ODÉs, la transformació de l'estat es representa per mig d'una equació diferencial ordinària parametrizada per una ret neuronal i es calcula per mig d'integració numèrica. Esta formulació es relaciona en l'interpretació de certes rets residuals com discretizaciones d'una dinàmica contínua.[4]
Vore també
[editar | editar còdic]Referències
[editar | editar còdic]- ↑ KI - Künstliche Intelligenz.26(4)
- 357–363.ISSN 1610-1987.doi:10.1007/s13218-012-0198-z.
- ↑ Y. Bengio, A. Courville, and P. Vincent., "Representation Learning: A Review and New Perspectives," IEEE Trans. PAMI, special issue Learning Deep Architectures, 2013 (en anglés)
- ↑ 3,0 3,1 J. Schmidhuber, "Deep Learning in Neural Networks: An Overview" http://arxiv.org/abs/1404.7828, 2014
- ↑ (2024).Notices of the American Mathematical Society.71(5)
- 613-620.doi:10.1090/noti2930.
Referències
[editar | editar còdic]
- Este artícul conté una traducció derivada de «Aprendizaje profundo» de Wikipedia en castellà publicada baix la Llicència de documentació lliure de GNU i la Llicència Creative Commons Reconeiximent-CompartirIgual 4.0 Internacional.