Glosario

Redes de creencia profunda (DBN)

¿Qué es Redes de creencia profunda (DBN)?

Las redes de creencia profunda (Deep Belief Networks, DBN) son redes neuronales formadas por varias capas apiladas que primero se preentrenan capa a capa sin supervisión, normalmente como las llamadas máquinas de Boltzmann restringidas. Geoffrey Hinton y sus colegas presentaron el método en 2006; demostró que las redes profundas podían entrenarse de forma eficiente y contribuyó al auge del deep learning. En la práctica, las DBN han sido sustituidas en gran medida por otras arquitecturas.

Temas

redes neuronales
aprendizaje profundo
historia de la IA

Probar KI.ordo

Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.

Iniciar demo

← Todos los términos

Términos relacionados

Aprendizaje profundo

El aprendizaje profundo (deep learning) es una rama del aprendizaje automático que utiliza redes neuronales artificiales con muchas capas. Estas redes aprenden por sí mismas, a partir de grandes cantidades de datos, qué rasgos son importantes, desde bordes en imágenes hasta relaciones de significado en textos. Es la base de los modelos de lenguaje actuales, del reconocimiento de imágenes y voz y de la traducción automática, y suele requerir mucha potencia de cálculo y datos.

redes neuronales
aprendizaje automático
+1

Redes neuronales artificiales (RNA)

Las redes neuronales artificiales (RNA) son modelos de cálculo formados por muchas unidades conectadas («neuronas»), organizadas en capas, que procesan las entradas mediante conexiones ponderadas. Durante el entrenamiento, los pesos se ajustan paso a paso a partir de ejemplos, normalmente con retropropagación. Las RNA son la base del aprendizaje profundo y están en el reconocimiento de imágenes y de voz y en los grandes modelos de lenguaje. Pese a su inspiración biológica, funcionan de forma mucho más simple que el cerebro humano.

Aprendizaje profundo
Fundamentos de IA
+1

Aprendizaje no supervisado

En el aprendizaje no supervisado, un modelo recibe datos sin respuestas correctas predefinidas y busca estructuras por sí mismo. Los métodos típicos son el clustering, que agrupa registros parecidos, y la reducción de dimensionalidad, que condensa muchas variables en unas pocas esenciales. Puedes usarlo para descubrir segmentos de clientes o detectar transacciones inusuales; después, alguien con conocimiento del negocio debe interpretar los grupos encontrados.

Machine learning
Clustering
+1