Deep learning: qué es el aprendizaje profundo

Deep learning o aprendizaje profundo es un subcampo del machine learning que entrena redes neuronales con múltiples capas para aprender representaciones de los datos. Cada capa transforma la salida anterior y puede capturar patrones progresivamente más abstractos. Se usa en visión, audio, lenguaje y modelos generativos, pero requiere datos, cómputo, evaluación y controles adecuados.

Actualizado: 13 de julio de 2026.

Cómo funciona el deep learning

Deep learning aprende una secuencia de transformaciones que convierte una entrada en una salida útil. En una red para imágenes, las primeras capas pueden responder a bordes y texturas; capas posteriores combinan esas señales en formas y objetos. En lenguaje, las representaciones capturan relaciones entre tokens y contexto.

El artículo de revisión “Deep learning” de LeCun, Bengio y Hinton define estos métodos como modelos con múltiples capas de procesamiento que aprenden representaciones con varios niveles de abstracción. El punto central no es solo tener “muchas neuronas”, sino aprender jerarquías de características mediante datos y optimización.

Un entrenamiento supervisado simplificado sigue este ciclo:

1. La red recibe un lote de entradas y produce predicciones.
2. Una función de pérdida compara las predicciones con el objetivo.
3. La retropropagación calcula cómo contribuye cada parámetro al error.
4. Un optimizador ajusta los pesos para reducir la pérdida.
5. El proceso se repite y se evalúa con datos que el modelo no usó para ajustar pesos.

El modelo no almacena una regla escrita por una persona para cada caso. Aprende parámetros numéricos que aproximan patrones presentes en los datos.

Machine learning vs. deep learning

Todo deep learning es machine learning, pero no todo machine learning es profundo. Para datos tabulares con pocas filas, un modelo de árboles puede ser más preciso, barato e interpretable. La arquitectura debe justificarse con evaluación, no con popularidad.

Componentes de una red profunda

Capas y parámetros

Cada capa aplica una transformación a la representación anterior. Los pesos y sesgos son parámetros aprendidos. Las funciones de activación introducen no linealidad; sin ella, apilar capas lineales equivaldría a una sola transformación lineal.

Función de pérdida

Define qué error intenta reducir el entrenamiento. Clasificación, regresión, generación y aprendizaje de representaciones usan objetivos distintos. Elegir una pérdida incorrecta puede optimizar una propiedad diferente al valor real del producto.

Optimizador

Actualiza parámetros a partir de gradientes. La tasa de aprendizaje controla el tamaño de cada cambio. Una tasa muy alta puede volver inestable el entrenamiento; una muy baja puede hacerlo lento o atascarlo.

Regularización

Dropout, weight decay, aumento de datos y parada temprana ayudan a reducir sobreajuste. No son garantías: la prueba final debe usar datos separados y representativos.

Hardware

Las GPU y otros aceleradores ejecutan muchas operaciones matriciales en paralelo. Hicieron viable entrenar redes grandes, pero también introducen costes de infraestructura, energía y operación.

Arquitecturas principales

El artículo “Attention Is All You Need” presentó la arquitectura transformer sin recurrencia ni convoluciones en su bloque principal. Esa familia se convirtió en base de muchos modelos de lenguaje y se extendió a otras modalidades.

Para qué sirve

Visión por ordenador

Clasificación, detección, segmentación, OCR y análisis médico. El trabajo de 2012 conocido como AlexNet mostró una mejora decisiva en ImageNet mediante una red convolucional profunda entrenada con GPU.

Lenguaje y código

Traducción, búsqueda semántica, resumen, generación, clasificación y asistencia de programación. Los modelos deben evaluarse por exactitud factual, seguridad y desempeño en tareas reales, no solo por fluidez.

Audio y voz

Reconocimiento de voz, separación de fuentes, síntesis y detección de eventos. Ruido, acentos y micrófonos distintos pueden producir degradaciones desiguales entre grupos.

Recomendación y detección

Representaciones profundas pueden ordenar productos, contenido o candidatos, y detectar patrones anómalos. En decisiones sensibles, se necesitan métricas por grupo, explicabilidad suficiente y revisión.

Ciencia

Se aplica a estructuras moleculares, genómica, clima, materiales y simulación. Una predicción prometedora sigue necesitando validación experimental o física.

Ejemplo: clasificar imágenes

Supón que quieres distinguir piezas correctas y defectuosas en una línea de producción:

1. Define tipos de defecto y el coste de cada error.
2. Reúne imágenes representativas de cámaras, turnos y condiciones de luz.
3. Separa entrenamiento, validación y prueba por lote o fecha para evitar fuga.
4. Construye una línea base simple antes de ajustar una red profunda.
5. Mide precision, recall y falsos negativos por tipo de defecto.
6. Prueba cambios de iluminación, suciedad y piezas nuevas.
7. Despliega con umbral y revisión humana para casos inciertos.

Una exactitud global de 98% puede ocultar que el modelo falla en un defecto raro pero crítico. La métrica debe reflejar el riesgo del proceso.

Cómo se evalúa

Además de la métrica principal, registra latencia, memoria, coste, calibración, robustez y desempeño por segmentos. Tras desplegar, vigila deriva de datos, tasa de abstención y feedback humano.

Límites y riesgos

• Necesidad de datos: etiquetas incorrectas o ejemplos poco representativos se convierten en fallos sistemáticos.
• Sobreajuste: memorizar patrones del entrenamiento no garantiza funcionar en situaciones nuevas.
• Opacidad: explicar por qué una red llegó a cierta salida puede ser difícil.
• Sesgo: el rendimiento puede variar entre poblaciones y condiciones.
• Fragilidad: pequeñas perturbaciones o cambios de distribución pueden alterar predicciones.
• Coste: entrenamiento e inferencia pueden exigir hardware y energía significativos.
• Seguridad: modelos generativos pueden producir contenido incorrecto o ser manipulados por entradas adversariales.
• Mantenimiento: datos, dependencias, hardware y objetivos cambian después del despliegue.

El modelo más grande no es automáticamente el mejor. Compara contra una línea base, define el error tolerable y elige la solución mínima que cumpla el criterio.

Qué aprender antes de entrenar modelos

Una ruta práctica incluye:

1. Python, arrays y manipulación de datos.
2. Álgebra lineal: vectores, matrices y productos.
3. Probabilidad y estadística básica.
4. Derivadas y gradientes a nivel conceptual.
5. Separación de datos, métricas y validación.
6. Redes densas y retropropagación.
7. Una arquitectura alineada con un problema concreto.
8. Experimentos reproducibles y análisis de errores.

No empieces entrenando un modelo enorme. Un dataset pequeño, una red simple y una evaluación honesta enseñan más que copiar una demo sin entender sus particiones ni métricas.

Para continuar, estudia red neuronal, backpropagation, transformer y autoencoder. La idea clave es relacionar arquitectura, datos, objetivo y verificación.

Fuentes primarias

• LeCun, Bengio y Hinton — “Deep learning” (Nature, 2015).
• Krizhevsky, Sutskever y Hinton — ImageNet Classification with Deep Convolutional Neural Networks.
• Vaswani et al. — “Attention Is All You Need”.