WEBVTT 00:00:04.850 --> 00:00:08.910 En tan solo unas pocas capas, los datos pueden volverse asombrosamente poderosos. 00:00:09.150 --> 00:00:15.090 Las máquinas de Boltzmann restringidas, RBM, son un tipo de red neuronal que puede aprender a representar datos de manera eficiente. 00:00:15.330 --> 00:00:21.850 Con dos capas, visible y oculta, las RBM utilizan métodos estoásticos para descubrir características dentro de los datos. 00:00:22.110 --> 00:00:29.190 Constan de unidades binarias y utilizan divergencia contrastiva para el entrenamiento, lo que las hace bastante efectivas en el aprendizaje no supervisado. 00:00:29.190 --> 00:00:35.050 Pueden manejar grandes conjuntos de datos, mejorando tareas como la reducción de dimensionalidad y el filtrado colaborativo. 00:00:35.250 --> 00:00:41.150 Una estadística interesante es que las RBM pueden representar una distribución de probabilidad sobre las variables de entrada, 00:00:41.470 --> 00:00:45.410 lo que las hace versátiles en aplicaciones como el reconocimiento de imágenes y voz. 00:00:45.930 --> 00:00:48.030 Ahora, desglosemos esto un poco más. 00:00:48.330 --> 00:00:50.530 Imagine que tiene un conjunto de datos lleno de imágenes. 00:00:50.810 --> 00:00:55.110 Las RBM pueden observar cada píxel y comenzar a identificar patrones sin ninguna etiqueta. 00:00:55.570 --> 00:00:57.310 Funcionan en dos capas principales. 00:00:57.310 --> 00:01:02.790 La capa visible, que interactúa con los datos de entrada, y la capa oculta, donde ocurre la magia. 00:01:03.390 --> 00:01:07.010 Estas capas trabajan juntas para aprender la estructura subyacente de los datos. 00:01:07.910 --> 00:01:11.350 El proceso de entrenamiento implica algo llamado divergencia contrastiva. 00:01:12.790 --> 00:01:18.930 Suena complejo, pero considérelo como una forma de ajustar la red comparando los datos de entrada con los datos de salida que genera. 00:01:19.690 --> 00:01:25.650 El objetivo es minimizar la diferencia, haciendo que el RBM sea cada vez más preciso en la representación de los datos. 00:01:25.650 --> 00:01:31.490 Una de las características más interesantes de los RBM es su capacidad para realizar una reducción de la dimensionalidad. 00:01:32.210 --> 00:01:38.530 Esto significa que pueden tomar datos de alta dimensión y comprimirlos en un tamaño más manejable sin perder información importante. 00:01:39.230 --> 00:01:42.950 Es como hacer la maleta de forma eficiente, todo lo que necesitas pero menos voluminoso. 00:01:42.950 --> 00:01:46.950 En términos prácticos, los RBM se han utilizado en varias aplicaciones. 00:01:47.190 --> 00:01:53.530 Por ejemplo, en el filtrado colaborativo, ayudan a recomendar productos identificando similitudes ocultas entre las preferencias de los usuarios. 00:01:53.750 --> 00:01:59.830 En el reconocimiento de imágenes, pueden detectar características como bordes y texturas, formando los componentes básicos para tareas más complejas. 00:02:00.710 --> 00:02:06.530 Por lo tanto, si eres un entusiasta de la tecnología que busca profundizar en el aprendizaje automático, definitivamente vale la pena explorar los RBM. 00:02:06.530 --> 00:02:11.090 Los RBM ofrecen una visión fascinante de cómo las máquinas pueden aprender y dar sentido al mundo que las rodea. 00:02:11.990 --> 00:02:15.510 Sumérjase, experimente y vea el poder de los RBM por sí mismo.