LumoLos datos
Imágenes, texto o sonido se representan como números. Son la materia prima con la que aprende un modelo.
ENTRADAUNA INTRODUCCIÓN AL APRENDIZAJE PROFUNDO
El aprendizaje,
capa por capa.
De reconocer una imagen a comprender el lenguaje. Descubre cómo las redes neuronales encuentran patrones en los datos.
Explorar los conceptos Una guía para empezar
ANATOMÍA DE UNA REDModelo conceptual
Datos de entradaCapas ocultasPredicción
01 / FUNDAMENTOS
Patrones que se convierten
en predicciones.
El aprendizaje profundo es una rama del aprendizaje automático que utiliza redes neuronales con múltiples capas ocultas.
Las capas
Cada capa transforma la información. Al combinarse, pueden aprender relaciones cada vez más complejas.
TRANSFORMACIÓNLa predicción
La salida representa una estimación: una categoría, un valor o el siguiente elemento de una secuencia.
SALIDA02 / EL PROCESO
Aprender es ajustar.
En el aprendizaje supervisado, una red compara sus predicciones con respuestas conocidas.
- 01
Preparar ejemplos
Separa los datos en entrenamiento, validación y prueba. Así puedes evaluar el modelo con ejemplos que no ha usado para aprender.
- 02
Calcular una predicción
Los datos recorren las capas. Los pesos y las funciones de activación determinan cómo se transforma la información.
- 03
Medir y corregir
Una función de pérdida cuantifica el error. La retropropagación calcula gradientes y un optimizador actualiza los pesos.
- 04
Repetir y evaluar
Se repite el proceso con lotes de ejemplos. La validación ayuda a ajustar el entrenamiento; la prueba estima el rendimiento final.
03 / EN LA PRÁCTICA
Distintos datos.
Distintas posibilidades.
Reconocer imágenes
Clasificar fotografías o localizar objetos. Las redes convolucionales aprenden filtros para encontrar características útiles.
Ejemplo · distinguir animales y vehículosRelacionar palabras
Traducir y generar texto. Los Transformers usan atención para relacionar elementos dentro de un contexto.
Ejemplo · traducir una oraciónInterpretar el orden
Analizar señales y series temporales. Las redes recurrentes conservan un estado con información de pasos anteriores.
Ejemplo · estudiar una señal en el tiempo04 / MIRA Y ESCUCHA
Más formas de aprender.
Explora los recursos en video y audio seleccionados para esta guía.
Video de apoyo · Abrir en YouTube ↗
Aprende escuchando.
Reproduce el audio a tu ritmo.
Si el reproductor no se muestra, abre el audio en Google Drive ↗.
Contenido basado en documentación de Google Machine Learning y TensorFlow. Consulta las fuentes de esta guía ↗.