El aprendizaje profundo pretende conseguir que los ordenadores sean capaces de construir automáticamente conceptos complejos a partir de conceptos sencillos.
El ejemplo por excelencia de un modelo de deep learning es la red neuronal o perceptrón multicapa (multilayer perceptron). Una red neuronal es básicamente una función matemática definida por nodos en capas donde cada nodo es una función más simple que depende de los nodos de la capa anterior.
Esta jerarquía de conceptos aprendida por la red neuronal nos puede ayudar a entender el porqué del nombre de «deep o profundo». Para obtener una representación exitosa del problema, se necesita una jerarquía grande o profunda de conceptos. Tradicionalmente se ha asociado esta profundidad con el número de capas en una red neuronal, sin embargo, no hay un número a partir del cual una red neuronal sea considerada «profunda», aunque muchas de las arquitecturas más famosas se han caracterizado por añadir más y más capas.
En deep learning tamien tengo hiperparametros.
Es importante comprender además el papel que desempeña el aprendizaje automático dentro de las técnicas de inteligencia artificial. En este sentido, existen varias definiciones de inteligencia artificial que según Russell y Norvig (2002) pueden dividirse en cuatro grupos: pensar racionalmente (relacionado con «capas de pensamiento»), pensar humanamente (relacionado con los sistemas cognitivos), actuar racionalmente (relacionado con los agentes racionales) y actuar humanamente, lo cual está relacionado con el conocido test de Turing (Turing, 1950), en el que un sistema se denomina inteligente si es capaz de responder a una serie de preguntas escritas y un humano no sería capaz de diferenciar si las respuestas han sido dadas por un humano o por un ordenador.