¿Qué es deep learning?

Deep learning es un subconjunto de machine learning (que a su vez es parte de la inteligencia artificial) donde las redes neuronales, algoritmos inspirados en cómo funciona el cerebro humano, aprenden de grandes cantidades de datos. 

Los algoritmos de deep learning realizan una tarea repetitiva que ayuda a mejorar de manera gradual el resultado a través de ‘’deep layers’’ lo que permite el aprendizaje progresivo. Este proceso forma parte de una familia más amplia de métodos de machine learning basados en redes neuronales.

Deep learning ha tenido un gran impacto en todas las industrias. Por ejemplo, en las ciencias de la vida, el aprendizaje profundo se puede utilizar para el análisis avanzado de imágenes, la investigación, el descubrimiento de medicinas, la predicción de problemas de salud así como síntomas de enfermedades, y la aceleración de conocimientos a partir de la secuenciación genómica. En el transporte, puede ayudar a los vehículos autónomos a adaptarse a las condiciones cambiantes; y a su vez ser utilizado para proteger infraestructuras críticas.

Existe una idea errónea, la cual ha tomado fuerza con el tiempo, de que deep learning es una tecnología que compite en contra de machine learning. 
Para poner las cosas en perspectiva, deep learning es un subdominio de machine learning; con un poder computacional acelerado y grandes conjuntos de datos. Los algoritmos de deep learning pueden llevar a cabo el auto aprendizaje de patrones ocultos dentro de los datos para hacer predicciones.

En esencia, puede pensar en deep learning como una rama de machine learning que se entrena con grandes cantidades de datos y trata con muchas unidades computacionales que trabajan en conjunto para realizar predicciones.

 

Características de deep learning

Asistente de experimentos

Inicie y supervise los experimentos de entrenamiento por lotes y luego compare el rendimiento entre modelos en tiempo real sin preocuparse por las transferencias de registro y los scripts para visualizar los resultados. Se enfoca en el diseño de sus redes neuronales; IBM gestionará y hará un seguimiento de sus activos.

Abierto y flexible

Utilice su marco de deep learning preferido: Tensorflow, Keras, PyTorch, Caffe y más. Gestione sus experimentos de deep learning con las herramientas que prefiera: interfaz de línea de comandos (CLI), biblioteca de Python o una interfaz de usuario interactiva.

Cómputo de GPU elástico

Capacite redes neuronales en paralelo, utilizando las GPU K80, P100 y V100 de NVIDIA Tesla, que son líderes del mercado. Pague sólo por lo que utiliza. Con la asignación automática, no tiene que acordarse de cerrar sus instancias de capacitación en la nube. No hay clústeres o contenedores para administrar.

Optimización de hiperparámetros

Automatice eficazmente la búsqueda en el espacio de los hiperparámetros de red para garantizar el mejor rendimiento del modelo con la menor ejecución de entrenamientos.

Neural Network Modeler (beta)

Diseñe visualmente sus redes neuronales. Después, las capas de arrastrar y soltar de su arquitectura neuronal configuran e implementan utilizando las estructuras de deep learning más populares.

Beneficios de deep learning

Ahorre tiempo, y no solo dinero

Utilice su IDE preferido y sus flujos de trabajo existentes. La CLI, la biblioteca Python y el acceso REST están equilibrados mediante herramientas de depuración visual. Diseñe y optimice sus redes mejor y más rápido.

Inteligencia bajo demanda

El entrenamiento gestionado implica que usted se puede enfocar en el diseño de estructuras de red neuronales óptimas. Los activos de entrenamiento se almacenan para usted. La asignación automática significa que sólo paga por los recursos de cálculo necesarios para el trabajo.

Infraestructura de nube confiable

Optimizado para entornos de producción empresarial, se ejecuta en la misma infraestructura que hospeda los servicios cognitivos de IBM Watson.

Gráficos, no archivos de registro

Olvide registros de texto. Supere los gráficos de precisión y pérdida en tiempo real, realice un seguimiento, luego rastree, visualice y modele hiperparámetros para explorar más a fondo la formación de sus redes neuronales.

Colaboración en equipo

Comparta experiencias, depure arquitecturas neuronales, acceda a datos comunes en bibliotecas alojadas y entregue modelos versionados a su equipo para ayudar a alimentar un flujo continuo de aprendizaje con datos.

¿Quiere conocer más sobre la IA?

Descubra qué es la Inteligencia Artificial, sus diferentes tipos y aplicaciones existentes

Imágenes de la oferta del producto

Utilice su infraestructura favorita

En Watson Studio, las infraestructuras más populares están preinstaladas y optimizadas a través de Watson Machine Learning Service para obtener el mejor rendimiento, además, con él es fácil añadir dependencias personalizadas a los entornos. Pruebe Watson Studio ahora para que pueda enfocarse solo en su tarea; IBM se ocupará de sus entornos.

Descubra Watson Studio

Tutoriales y casos de uso

Utilice un cuaderno, Keras y TensorFlow para crear un modelo de lenguaje para la generación de texto

¿Cómo contrarrestar problemas de fraude, como las revisiones de productos? Al utilizar los mismos modelos generativos que los están creando. Este patrón de código explica cómo utilizar Keras y TensorFlow para entrenar un modelo de deep learning en un cuaderno. Utilizando datos descargados de Yelp, aprenderá a instalar TensorFlow y Keras, a entrenar un modelo de lenguaje de deep learning, y a generar revisiones de nuevos restaurantes. Aunque el alcance de este patrón de código se limita a una introducción a la generación de texto, proporciona una base sólida para aprender a construir un modelo de lenguaje.

Vaya al manual de instrucciones

Deep Learning

Construya un reconocedor de dígitos escritos a mano en Watson Studio y PyTorch

Reconocer números escritos a mano es una habilidad simple y cotidiana para los humanos, pero puede ser un gran reto para las máquinas. Ahora, eso está cambiando con el avance del aprendizaje automático y la IA. Hay aplicaciones móviles bancarias que pueden escanear instantáneamente cheques escritos a mano, y el software de contabilidad que puede extraer cantidades en dólares de miles de contratos en minutos. Si está interesado en saber cómo funciona todo esto, siga leyendo este patrón de código a medida que le enseñamos los pasos para utilizar Watson Studio y PyTorch para crear un sencillo reconocedor de dígitos manuscritos.

Vaya al manual de instrucciones

Construya un reconocedor de dígitos escritos a mano en Watson Studio y PyTorch

Empiece a usar deep learning

Comience a ejecutar sus experimentos de deep learning ahora.