El aprendizaje profundo es un método de la inteligencia artificial (IA) que enseña a las computadoras a procesar datos de una manera que se inspira en el cerebro humano, es decir, a través de la experiencia. En el caso de las máquinas potenciadas por el software y el hardware de IA, las experiencias a través de las cuales aprenden se definen mediante los datos que adquieren. La cantidad y calidad de estos datos determinan cuánto pueden aprender.
El aprendizaje profundo es una rama del aprendizaje automático, pero, a diferencia de los algoritmos utilizados por este (que tienen una capacidad finita de aprendizaje independientemente de cuántos datos adquieran), los sistemas de aprendizaje profundo pueden mejorar su rendimiento no solo al poder acceder a mayor número de datos, sino por el modo en que aprenden de esos datos. Con ello se puede conseguir que la máquina tenga más “experiencia”.
Se basa en redes neuronales artificiales, las cuales se componen de varias capas, cada una de las cuales contiene, a su vez, unidades que transforman los datos de entrada en información que la siguiente capa puede utilizar para una tarea de predicción determinada. Es decir, la máquina aprende a través de su propio procesamiento de datos (mientras que en el aprendizaje automático se debe indicar al algoritmo como realizar una predicción precisa).
Por ejemplo, un modelo de aprendizaje profundo son las “redes neuronales convolucionales” que se pueden entrenar con millones de imágenes(por ejemplo, las que contienen pájaros). La red clasifica los grupos de píxeles de la imagen que representan las características de un pájaro (pico,patas, plumas). Las capas inferiores se dedicarán a reconocer cosas sencillas (forma básica, color), las superiores a cosas más complejas (el pico,las patas), y las de más arriba sumarán todos los datos hasta llegar a la conclusión de que se trata de un pájaro. Tras examinar un gran número de imágenes, el modelo aprenderá las características que representan un pájaro. Es decir, el reconocimiento de esas características se hace de forma autónoma.
No hay una única definición de aprendizaje supervisado, pero, en general, las distintas definiciones tienen en común que nos encontramos ante múltiples capas de procesamiento no lineal para extraer y transformar variables, y el uso del aprendizaje supervisado o no supervisado por los algoritmos de representaciones características en cada capa. Las capas forman una jerarquía de características que van desde un nivel de abstracción más bajo hasta uno más algo.