Tag: #red-neuronal
-
Las redes de códigos postales de LeCun: cuando la convolución se encontró con la retropropagación (1989)
En 1989 Yann LeCun y sus colegas en AT&T Bell Laboratories publicaron una red neuronal convolucional entrenada con retropropagación sobre códigos postales manuscritos del Servicio Postal de EE. UU., una prueba temprana de que los filtros locales podían escalar al clasificado real del correo.
-
Modelos de lenguaje neuronales: la lucha de Bengio contra la maldición de la dimensionalidad (2003)
En 2003 Yoshua Bengio y sus colegas publicaron A Neural Probabilistic Language Model en el Journal of Machine Learning Research, aprendiendo representaciones distribuidas de palabras para escapar de los límites de las enormes tablas n-grama.
-
TD-Gammon: aprender backgammon jugando contra sí mismo (1992)
Gerald Tesauro en IBM construyó TD-Gammon, una red neuronal que aprendió backgammon de alto nivel mediante aprendizaje por refuerzo de diferencia temporal y autojuego, alcanzando un juego cercano al nivel experto.
-
Máquinas de Boltzmann: cuando las redes neuronales tomaron prestada la física estadística (1985)
En 1985 David Ackley, Geoffrey Hinton y Terrence Sejnowski publicaron un algoritmo de aprendizaje para máquinas de Boltzmann: unidades binarias estocásticas, una función de energía de la física y un muestreo lento que métodos posteriores intentaron evitar.
-
Redes de creencia profunda: cuando las redes profundas volvieron a ser entrenables (2006)
En julio de 2006 Geoffrey Hinton y sus colegas mostraron que apilar máquinas de Boltzmann restringidas capa a capa y ajustar el resultado con retropropagación permitía entrenar redes profundas. El resultado ayudó a reactivar el renacimiento del aprendizaje profundo.
-
Retropropagación: cómo las redes neuronales aprendieron de sus errores (1986)
En 1986, David Rumelhart, Geoffrey Hinton y Ronald Williams demostraron que las redes neuronales multicapa entrenadas con retropropagación aprenden sus propias representaciones internas. El método sigue siendo el estándar para entrenar la mayoría de las redes neuronales.
-
GAN: cuando las redes neuronales aprendieron a inventar imágenes (2014)
En junio de 2014, Ian Goodfellow y sus colegas presentaron las redes generativas adversativas: dos redes neuronales que se entrenan una contra otra. La idea hizo posible la síntesis realista de imágenes y planteó pronto la cuestión de las falsificaciones.
-
AlphaFold gana el Premio Nobel de Química 2024
Un día después de que la IA se llevara el premio de física, el Nobel de Química 2024 honró a AlphaFold, el modelo de DeepMind que predice estructuras de proteínas, y al diseño computacional de proteínas.
-
El Premio Nobel de Física 2024 es para las redes neuronales
John Hopfield y Geoffrey Hinton ganaron el Premio Nobel de Física 2024 por su trabajo fundacional sobre redes neuronales artificiales, la maquinaria detrás de la IA actual.
-
AlexNet: la noche en que volvió el aprendizaje profundo (2012)
Una red neuronal profunda entrenada en dos <abbr title="Unidad de procesamiento gráfico">GPU</abbr> de videojuegos arrasó el referente ImageNet y puso fin, casi de un día para otro, a un largo invierno de las redes neuronales.
-
El primer invierno de la IA: cuando el hype se congeló (1974–1980)
El informe Lighthill, los recortes de la DARPA y la reacción contra el perceptrón drenaron la financiación de redes neuronales e IA demasiado ambiciosa, preparando una década de escepticismo.
-
El perceptrón de Rosenblatt: la máquina que aprendió (1958)
El perceptrón de Frank Rosenblatt fue la primera máquina que aprendió de la experiencia, celebrada por la prensa, atacada por los críticos y reivindicada décadas después.