LumoDEEP LEARNING

ACERCA DE / CONECTAR LAS IDEAS

Más allá de
una predicción.

Entender una tecnología también significa conocer sus límites, sus herramientas y las preguntas que deja abiertas.

¿QUÉ ES LUMO?

Un punto de partida
para aprender.

Lumo es una guía educativa creada por David y Luis para explorar el aprendizaje profundo desde sus conceptos esenciales. Nuestro objetivo es explicar cómo funcionan las redes neuronales, sin dar por hecho conocimientos previos de programación.

El término «profundo» se refiere a la composición de múltiples capas de transformación. Una red neuronal es un modelo matemático; no es una reproducción exacta del cerebro ni implica conciencia.

LAS ARQUITECTURAS

Tres formas de
conectar información.

La arquitectura define cómo se organizan las operaciones de una red. La elección depende de los datos y de la tarea.

CNN

Redes neuronales convolucionales

Aplican filtros compartidos que recorren la entrada. En imágenes, aprenden características espaciales útiles para la clasificación y otras tareas de visión.

Ver un ejemplo en TensorFlow ↗
Imágenes · patrones espaciales
RNN

Redes neuronales recurrentes

Procesan secuencias paso a paso y mantienen un estado interno. Ese estado conserva información de entradas anteriores. LSTM y GRU son variantes recurrentes.

Explorar redes recurrentes ↗
Secuencias · series temporales
ATTN

Transformers

Usan mecanismos de atención para relacionar elementos de una secuencia. La autoatención permite incorporar información de distintas posiciones del contexto.

Explorar un Transformer ↗
Lenguaje · relaciones de contexto

UNA MIRADA CRÍTICA

Potencial real.
Límites también.

Una predicción útil depende de algo más que una red grande.

  • Datos y representatividad

    Si los datos no representan el entorno de uso, los resultados pueden fallar o reproducir sesgos.

  • Evaluación con datos nuevos

    Un resultado alto en entrenamiento no demuestra que el modelo funcione bien fuera de esos ejemplos.

  • Costo y recursos

    Entrenar modelos puede requerir tiempo, memoria y energía. La complejidad debe responder a una necesidad real.

  • Interpretación y supervisión

    Explicar por qué una red produce cierta salida puede ser difícil. Las decisiones sensibles requieren evaluación y supervisión adecuadas.

BIBLIOTECA ABIERTA

Continúa con las fuentes.

Documentación original para revisar los conceptos y avanzar con ejemplos prácticos.

  1. Google Machine Learning GlossaryDefiniciones de IA, redes neuronales y retropropagación.
  2. Convolutional Neural NetworkRedes convolucionales y clasificación de imágenes.
  3. Working with RNNsEstados recurrentes, secuencias y capas LSTM.
  4. Neural machine translation with a TransformerAtención y traducción de texto.
  5. Overfit and underfitGeneralización, sobreajuste y regularización.