-
Introducción
DL (Deep Learning | Aprendizaje profundo) es una técnica de ML (Machine Learning | Aprendizaje automático) que utiliza un grafo de computación como arquitectura base para recibir datos de entrada [x] y transformarlos en una salida [y=f(x)]
Una de las características más importantes de este tipo de arquitectura es la posibilidad de modificar la función de transformación f(x) variando los parámetros presentes dentro del grafo de computación, por ejemplo, se puede aumentar el peso de conexión existente en la unión de dos nodos (en adelante, neuronas). Del mismo modo, se puede distribuir la configuración de las neuronas, aumentar conexiones entre estas y agregar nuevas capas intermedias, todo esto con el propósito de adaptarse de mejor manera a los datos de entrada (dataset) y de esta forma, obtener un modelo de aprendizaje que sea representativo del fenómeno en la etapa de inferencia.
¿Qué características posee una arquitectura IoT que podrían ser útiles para la creación de modelos de Deep Learning?, ¿En qué fase se encuentran las mayores ventajas?