Deep learning

Abstract

Desde hace unos años es incuestionable que la Inteligencia Artificial avanza a pasos agigantados. Es especialmente destacable el rápido desarrollo que ha experimentado la rama de la Inteligencia Artificial denominada Aprendizaje Profundo (Deep Learning), que hace uso de una metodología de aprendizaje similar a la que emplean los seres humanos, permitiendo la existencia de estructuras especializadas en la detección de determinadas características ocultas en los datos. El análisis de este campo será objeto de este Trabajo Fin de Grado, partiendo de sus fundamentos hasta abarcar sus arquitecturas más complejas. El trabajo se inicia con una introducción a las redes de neuronas artificiales, por ser la base sobre la que se asienta el concepto de Aprendizaje Profundo. Seguidamente se presentan los fundamentos de esta metodología, para pasar a continuación a analizar las principales arquitecturas de redes en este contexto. La parte final de este trabajo se centra en un caso particular de estas arquitecturas, como son las Redes Recurrentes y, más concretamente, LSTM, donde se presenta una aplicación en lenguaje Python sobre análisis de sentimientos, que permite asignar un Emoji a una frase.

For some years it is no doubt that Artificial Intelligence is advancing by leaps and bounds. Particularly noteworthy is the rapid development of the Artificial Intelligence branch called Deep Learning, which utilizes a learning methodology similar to that used by human beings, allowing the existence of structures specialized in the detection of certain characteristics hidden in the data. The analysis of this field will be the subject of this Final Degree Project, starting from its foundations to include its most complex architectures. This work begins with an introduction to the artificial neural networks, as the basis on which the concept of Deep Learning is based. Then, the foundations of this methodology are presented, to then the analysis of the main network architectures in this context is carried out. The final part of this work focuses on a specific case of those architectures, namely Recurrent Networks and, more specifically, LSTM, and an application in Python language on feelings analysis, which allows us to assign an Emoji to a phrase, is presented.