El Deep Learning es una de las ramas más fascinantes de la Inteligencia Artificial (IA). Su objetivo es lograr que las máquinas aprendan de forma autónoma, inspirándose en el funcionamiento del cerebro humano.
Gracias a esta disciplina, hoy contamos con tecnologías capaces de reconocer imágenes, comprender el lenguaje natural o generar contenido con una precisión asombrosa.
Si estás empezando en el mundo de la IA, familiarizarte con su vocabulario es el primer paso.
En este artículo, te presentamos un glosario completo de Deep Learning, con explicaciones claras de los términos más utilizados en el sector.
Glosario de términos de Deep Learning
Aprendizaje Automático (Machine Learning)
Subcampo de la IA que desarrolla algoritmos que aprenden de los datos. En lugar de programarse explícitamente, los modelos se ajustan mediante ejemplos y patrones.
Aprendizaje no supervisado
El modelo trabaja con datos no etiquetados, buscando patrones o agrupaciones naturales sin una guía externa.
Aprendizaje por refuerzo
Método en el que el modelo aprende mediante recompensas y castigos, explorando acciones para maximizar una recompensa acumulada. Se suele utilizar en robótica y videojuegos.
Aprendizaje supervisado
Tipo de entrenamiento en el que los datos de entrada están etiquetados. El modelo aprende a asociar ejemplos con sus resultados esperados.
Backpropagation (Retropropagación)
Algoritmo clave del aprendizaje profundo. Calcula el gradiente del error del modelo respecto a sus pesos, propagándolo hacia atrás para ajustar estos pesos de la red mediante un proceso iterativo.
Clustering
Técnica no supervisada que agrupa datos similares en clusters o conjuntos, identificando patrones ocultos.
Computer Vision (Visión por Computador)
Área que permite a las máquinas interpretar imágenes y vídeos. El reconocimiento facial, diagnóstico médico y conducción autónoma son algunas aplicaciones de esta área.
Dataset
Conjunto de datos utilizado para entrenar, validar y/o probar los modelos. Su calidad y diversidad son determinantes para el rendimiento final, ya que un modelo es bueno, no cuando se aprende el dataset de entrenamiento (overfitting), sino cuando generaliza al dataset de validación.
Deep Learning (Aprendizaje Profundo)
Tipo de aprendizaje automático basado en redes neuronales artificiales con múltiples capas (“deep”). Permite que las máquinas aprendan representaciones complejas de los datos, como imágenes, sonidos o texto.
Descenso por Gradiente
Método matemático utilizado para minimizar la función de error. Ajusta los parámetros del modelo en la dirección contraria al gradiente, reduciendo el error global del modelo.
Dropout
Técnica de regularización que corta las conexiones aleatoriamente entre algunas neuronas durante el entrenamiento para mejorar la generalización del modelo. Se puede entender como un conjunto de clasificadores en un único modelo.
Embedding
Representación numérica en forma vectorial de datos categóricos o palabras utilizada para capturar relaciones en los datos. Así, dos vectores similares representan dos datos similares. Es esencial en modelos de Procesamiento del Lenguaje Natural (NLP) porque captura relaciones semánticas en el texto.
Frameworks de Deep Learning
Bibliotecas como TensorFlow, PyTorch o Keras facilitan la construcción, entrenamiento y despliegue de redes neuronales; ya que, a priori, permiten olvidarse de los conceptos más teóricos y enfocarse en el diseño y entrenamiento de las redes.
GPU (Unidad de Procesamiento Gráfico)
Procesador diseñado para ejecutar operaciones en coma flotante y manejar cálculos en paralelo. Es esencial para entrenar modelos de Deep Learning debido a que, en definitiva, estos modelos se basan siempre en operaciones con matrices.
Inteligencia Artificial (IA)
Campo de la informática que busca crear sistemas capaces de realizar tareas que normalmente requieren inteligencia humana, como el razonamiento, la percepción o la toma de decisiones.
Iteración, Batch y Época de entrenamiento
En una iteración se actualizan los pesos de un modelo. En ella se puede entrenar con un solo dato o con un conjunto de datos. A este conjunto se le conoce como batch. Por último, una época equivale a un ciclo completo en el que el modelo ha visto todos los datos de entrenamiento.
Matriz de confusión
Herramienta que evalúa el desempeño de un modelo de clasificación, mostrando aciertos y errores en función de las clases reales y predichas.
Modelos Generativos
Redes que pueden crear nuevo contenido, como imágenes, texto o audio. Entre ellos destacan las GANs (Generative Adversarial Networks) y los Large Language Models (LLMs).
Neuronas, Capas y Pesos
Las neuronas procesan información; las capas agrupan neuronas en distintos niveles de abstracción; y los pesos determinan la influencia de cada conexión en la salida final del modelo.
Overfitting (Sobreajuste)
Ocurre cuando un modelo aprende demasiado bien los datos de entrenamiento, incluyendo el ruido, y pierde capacidad de generalizar a nuevos datos. Es como aprenderse un examen de memoria, pero no aprender los contenidos realmente.
Procesamiento del Lenguaje Natural (NLP)
Rama de la IA que trabaja con lenguaje natural. Se utiliza sobre todo para chatbots, traducción automática, detección de autoría, análisis de sentimiento y procesamiento de texto en general.
Red Neuronal
Modelo inspirado en el cerebro humano, compuesto por unidades llamadas neuronas conectadas entre sí. Cada conexión tiene un peso que se ajusta durante el entrenamiento para minimizar errores.
Regularización
Conjunto de técnicas (como dropout o L2) que previenen el sobreajuste penalizando la complejidad excesiva del modelo.
Transfer Learning
Técnica que aprovecha un modelo previamente entrenado en una tarea para mejorar el rendimiento en otra similar. Ahorra tiempo y recursos, además de que suele obtener un mayor rendimiento porque tiene información externa al problema que se quiere resolver.
Transformers
Arquitectura que utiliza mecanismos de atención para procesar secuencias completas de datos. Son la base de modelos como GPT, BERT o T5 para Language Modeling.
El DL como punto de partida para dominar la inteligencia artificial
El Deep Learning ha pasado de ser un área experimental a convertirse en el núcleo de la inteligencia artificial moderna.
Comprender su terminología es esencial para todo aquel que quiera adentrarse en este campo o aplicar sus beneficios en la empresa o la investigación.
Este glosario es solo el punto de partida. ¿Quieres seguir aprendiendo sobre Deep Learning?