HISTORIA DE LAS REDES NEURONALES Y DEEP LEARNING

Tensorflow

2017 BCE

es una plataforma de inteligencia artificial, Google ha sido bastante explícito con el potencial de Tensorflow. Un ejemplo de lo que es capaz lo vemos en el traductor de Google. Esta aplicación utiliza TensorFlow para reconocer el texto de la cámara, para así traducir en tiempo real.

el trabajo de Microsoft y Google, así como IBM y de Hinton laboratorio,

2012 BCE

dio lugar a los impresionantemente tituladas "Deep Neural Networks para Modelado acústico en el reconocimiento de voz: Los puntos de vista compartidos de cuatro grupos de investigación

ANN GOOGLE

2012 BCE

Logro autoentrenarse para reconocer gatos en imágenes.

Navdeep Jaitly

2011 BCE

Un estudiante de Hinton, se fue a un internado de verano en Google en 2011. Allí trabajó en el reconocimiento de voz de Google, y mostró su configuración existente podría ser
muy mejorada mediante la incorporación de un aprendizaje profundo.
El enfoque revisado pronto alimentado reconocimiento de voz de Android, en sustitución de gran parte de la solución antes cuidadosamente elaborado de Google

Yoshua Bengio et al.

2007 BCE

DIO seguimiento a este trabajo "Capa-Wise Greedy Formación de Redes profundas", En el que presentan un fuerte argumento de que los métodos de aprendizaje automático de profundidad (es decir, métodos con muchos pasos de procesamiento)

La ola de la investigación del aprendizaje profundo comenzó.

2006 BCE

Hinton, Simon Osindero, y Yee-Whye Teh

2006 BCE

hINTONPuso de manifiesto una tasa de error muy impresionante de sólo el 1,25% en la prueba, pero las SVM ya había conseguido una tasa de error del 1,4%, e incluso algoritmos simples podría conseguir tasas de error en un solo dígito.
Hinton, Simon Osindero, y Yee-Whye Teh publicó un artículo en 2006 que fue visto como un gran avance, un avance suficientemente significativo como para reavivar el interés en las redes neuronales: Un algoritmo de aprendizaje rápido para profunda redes de creencias

SALIDA DEL SEGUNDO INVIERNO

2005 BCE

Hinton

2004 BCE

Pidió que dirigiera un nuevo programa de computación neuronal. La comunidad de aprendizaje automático convencional no podría haber sido menos interesado en las redes neuronales.

2000 fue una época oscura para la investigación de redes neuronales

2000 BCE

Yann LeCun

1998 BCE

Ha demostrado tasas de error de 0,95% en 1998 utilizando CNNs.

INICIO SEGUNDO INVIERNO

1995 BCE

Hinton, junto con Neal y dos otros co-autores

1995 BCE

pronto llegó con trucos extra "El algoritmo de sueño-vigilia para las redes neuronales no supervisadas"

Sebastian Thrun

1995 BCE

Se crea TD-Gammon "Aprender a jugar el juego de ajedrez" , y los resultados no fueron buenos

Yoshua Bengio

1995 BCE

co-escribió el documento de síntesis "Redes convolucionales de imágenes, voz, y de series de tiempo"

Redford M. Neal

1992 BCE

"aprendizaje conexionista de las redes de creencias" impulsa a Neal que inicie una idea similar en la red de creencias , que es esencialmente como una máquina de Boltzmann con conexiones dirigidas, hacia adelante.

LeCun

1990 BCE

siguió siendo una de los principales defensores de CNNs en los Laboratorios Bell, y su obra en ellos dio lugar a un uso comercial importante para el check-lectura.
uno de estos sistemas fue de lectura 10 a 20% de todos los controles en los EE.UU.

Yann LeCun

1989 BCE

En los laboratorios de AT&T Bell mostró una aplicación al mundo real muy significativo de propagación hacia atrás, aplicada a la al reconocimiento de códigos,pasó a ser la base de los sistemas de registro de entrada de lectura desplegados a nivel nacional.

Alexander Waibel et. otros (incluyendo Hinton)

1989 BCE

se introdujo en el "el reconocimiento de fonemas usando redes neuronales de acción retardada " inspiró LeCun para desarrollar redes neuronales convolucionales.

Rosenblatt

1989 BCE

Parecía quizá estar al alcance para otro hallazgo clave "Las redes de alimentación directa de múltiples capas son aproximadores universales" modelo basado en la energía , y se ajusta en el aprendizaje basado en la energía marco teórico con la que muchos algoritmos de aprendizaje se pueden expresar.

Yoshua Bengio

1986 BCE

Retorno de Redes neuronales a la popularidad con la backpropagation, Empezar a trabajar en el reconocimiento de voz con redes neuronales él co-escribió muchos artículos sobre el uso de redes neuronales y RNNs para el reconocimiento de voz.

Rumenlhart, Hinton y Williams

1986 BCE

Formalizaron un método para que una red neuronal aprendiera la realación de entrada a la red y las salidas correspondientes, utilizando mas niveles de neuronas que los que utilizó rosenblatt para el desarrrollar el perceptron.

David Parker

1985 BCE

Publico un informe sobre la Retropropagacion en el MIT.

FIN PRIMER INVIERNO

1985 BCE

Hinton

1985 BCE

trabajó en un enfoque de red neuronal para el aprendizaje de las distribuciones de probabilidad "un algoritmo de aprendizaje para máquinas de Boltzmann"

Geoffrey Hinton

1982 BCE

Realiza un acercamiento de ANN para el aprendizaje en maquinas de boltzamann

David Parker

1982 BCE

El trabajo de werbos permanecio casi desconocido en la comunidad cientifica, pero Parker retomo su trabajo sobre Retropropagacion para entrenar las ANN

Kunihiko Fukushima

1980 BCE

Con su noción de la Neurocognitron

Pablo Werbos

1974 BCE

Propone que la Retropropagación puede ser utilizada en redes neuronales despues de analizar su tesis doctoral.

PRIMER INVIERNO

1970 BCE

Seppo Linnainmaa

1970 BCE

Implementa la Retropropagación para que funcionen en equipos modernos como los de hoy en día.

Minsky y Seymour Papert

1969 BCE

Publican "perceptrons" demuestran que el perceptron es limitado y esta probado en el libro “disillusioned years” 1969. El problema de perceptron es que sabían que con una red multi-capa podían separar la xor pero no había un algoritmo que entrenara para realizarlo .

John McCarthy

1963 BCE

Fundo en la universidad de Stanford el laboratorio de IA.

Bernard Widrow y Tedd Hoff

1960 BCE

Exploraron la opción de dar salida a la entrada del peso
con un adoptivo DALINE (neurona usando quimicos, memistors), desarrollan modelos que se llamaron ADALINE y MADALINE.

Frank Rosenblatt

1958 BCE

Nacimiento del primer algoritmo para un persentrón.

John McCarthy y Marvin Minsky

1957 BCE

Fundan el laboratorio de inteligencia artificial del MIT, ayudando a motivar la creación del proyecto MAC.

John Mccarthy

1956 BCE

El termino de inteligencia artificial se le atribuye durante una conferencia convocada.

Marvin Masnky

1951 BCE

puede haber sido en realidad el primer investigador para implemenar una red neuronal con el hardware de ese tiempo lo cual llegoa Implementar a SNARC

Santiago Ramón y Cajal

1888 BCE

Inicio con las neuronas biológicas donde descubrimiento de las sinapsis la cual interpretó, correctamente, su función y su estructura. Las sinapsis ejercen un papel fundamental en la teoría neuronal.

INICIO

1888 BCE