El Deep Learning és un subcamp del machine learning que ha guanyat una popularitat significativa en les últimes dècades. Aquesta tècnica es basa en l'ús de xarxes neuronals profundes per modelar i resoldre problemes complexos. En aquesta secció, explorarem la història i l'evolució del Deep Learning, des dels seus inicis fins a les seves aplicacions modernes.

• 1943: Warren McCulloch i Walter Pitts van proposar el primer model matemàtic de neurona artificial, conegut com a "neurona de McCulloch-Pitts".
• 1958: Frank Rosenblatt va desenvolupar el perceptró, un tipus de xarxa neuronal simple capaç d'aprendre tasques de classificació binària.
• 1960s-1970s: Marvin Minsky i Seymour Papert van publicar el llibre "Perceptrons", on van destacar les limitacions del perceptró, especialment en la resolució de problemes no lineals.

• 1986: David Rumelhart, Geoffrey Hinton i Ronald Williams van popularitzar l'algoritme de retropropagació (backpropagation), que permet entrenar xarxes neuronals multicapa.
• 1989: Yann LeCun va aplicar la retropropagació a les xarxes neuronals convolucionals (CNNs) per al reconeixement de caràcters manuscrits, marcant un avenç significatiu en el camp.

• 2006: Geoffrey Hinton va introduir el concepte de "Deep Belief Networks" (DBNs), que va ajudar a entrenar xarxes neuronals profundes de manera més eficient.
• 2012: Alex Krizhevsky, Ilya Sutskever i Geoffrey Hinton van guanyar la competició ImageNet amb la seva xarxa neuronal profunda AlexNet, demostrant la potència del Deep Learning en el reconeixement d'imatges.

• 2014: Ian Goodfellow va introduir les Xarxes Generatives Adversarials (GANs), que permeten generar dades sintètiques realistes.
• 2015: Google DeepMind va desenvolupar AlphaGo, un sistema basat en Deep Learning que va derrotar el campió mundial de Go, un joc considerat molt complex per a les màquines.

• TensorFlow: Desenvolupat per Google, és un dels frameworks més populars per al desenvolupament de models de Deep Learning.
• PyTorch: Desenvolupat per Facebook, és conegut per la seva facilitat d'ús i flexibilitat, especialment en la recerca acadèmica.

• Reconocimiento d'imatges: Les CNNs s'utilitzen àmpliament en aplicacions com la detecció d'objectes, la segmentació d'imatges i el reconeixement facial.
• Processament del llenguatge natural (PLN): Les xarxes neuronals recurrents (RNNs) i els transformers s'utilitzen en tasques com la traducció automàtica, la generació de text i l'anàlisi de sentiments.
• Vehicles autònoms: Les tècniques de Deep Learning s'utilitzen per processar les dades dels sensors i prendre decisions en temps real.

El Deep Learning ha recorregut un llarg camí des dels seus inicis fins a convertir-se en una tecnologia clau en moltes aplicacions modernes. Els avenços en el processament de dades, els algoritmes i les eines han permès que el Deep Learning esdevingui una eina poderosa per resoldre problemes complexos en diversos camps. En les properes seccions, explorarem els fonaments tècnics del Deep Learning i com aplicar aquestes tècniques en projectes pràctics.

Amb aquesta secció, hem cobert la història i l'evolució del Deep Learning, proporcionant una base sòlida per comprendre els conceptes i tècniques que explorarem en els següents mòduls.