En esta serie de artículos vamos a hacer una introducción al aprendizaje profundo con Keras, y vamos a crear y utilizar redes neuronales con Keras.
El aprendizaje profundo hace uso de clústeres informáticos y GPU potentes, y permite arquitecturas de redes neuronales más complejas.
Keras es una biblioteca para redes neuronales de Python que podemos usar para crear una variedad de modelos de aprendizaje, y se puede usar con Theano y Tensorflow.
Veremos cómo crear y utilizar redes neuronales con Keras. Específicamente, examinaremos qué son las redes neuronales, cómo configurar y utilizar Keras para construir redes. Utilizaremos Jupyter Notebooks para crear conjuntos de datos y construir redes neuronales con Keras.
Redes neuronales
Las redes neuronales artificiales, o ANN, son una serie de algoritmos que se calculan en un enfoque estructurado en capas y se utilizan para reconocer patrones.
El término neuronal se refiere a las ANN que se modelan para imitar el cerebro humano. Cada nodo se denomina neurona y acepta una o más entradas, se procesa y produce una salida sumada. Una red neuronal artificial puede estar compuesta por muchas neuronas en múltiples capas. Las entradas suelen ser elementos que se clasifican en forma de eje x que son los datos de entrada, y el eje y es la salida esperada. La función de la red neuronal es establecer mediante aprendizaje un mapeo de pesos establecidos inicialmente de forma aleatoria y que se va ajustando con cada nueva entrada, con cada nueva entrada, predice una etiqueta de salida. La diferencia entre la salida dada y la salida ideal es la función de pérdida, que se utiliza para reajustar los pesos de cada neurona, de modo que con cada nueva entrada la diferencia entre la salida real y la esperada sean menores hasta que en un momento dado, la red acierte el mayor número posible de veces.
 |
| Esquema de una red neuronal artificial |
