La complejidad de la información con la que se opera actualmente, con grandes conjuntos de atributos describiendo cada una de las muestras de datos, conlleva la necesidad de contar asimismo con modelos capaces de extraer las características más importantes, identificar relaciones ocultas entre ellas y generar representaciones de más alto nivel. Son aspectos en los que las diferentes familias de modelos de aprendizaje profundo, entre los que se cuentan las redes convolucionales, las redes recurrentes o los autoencoders, destacan por su gran rendimiento.

Los principales objetivos que se plantean son el diseño de modelos adecuados para cada tipología de problema y la definición de nuevas arquitecturas que permitan afrontar tareas desde una perspectiva general. Para ello será preciso afrontar retos como la enorme variabilidad en dichas arquitecturas, el gran coste computacional que conllevan y la pérdida de interpretabilidad, aspectos todos a tener presentes actualmente en investigación.

FUENTES: https://dasci.es/es/linea-investigacion/deep-learning/
AUTOR: Javier Ramirez Pérez de Inestrosa