¿Qué es deep learning?

3/28
Recursos

Aportes 11

Preguntas 3

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.

La inteligencia artificial son los intentos de replicar la inteligencia humana en sistemas artificiales.

Machine learning son las técnicas de aprendizaje automático, en donde mismo sistema aprende como encontrar una respuesta sin que alguien lo este programando.

Deep learning es todo lo relacionado a las redes neuronales. Se llama aprendizaje profundo porque a mayor capas conectadas ente sí se obtiene un aprendizaje más fino.
__
En el Deep learning existen dos grandes problemas:

  • Overfitting: Es cuando el algoritmo “memoriza” los datos y la red neuronal no sabe generalizar.
  • Caja negra: Nosotros conocemos las entradas a las redes neuronales. Sim embargo, no conocemos que es lo que pasa dentro de las capas intermedias de la red.

George Washington Neural Network

Para hoy que internte abrir el linl de visualizacion de la red neuronal me decia que no tengo los permisos correctos.
https://github.com/aharley/nn_vis
les dejo el link de github

Es curioso solo responde a casos anteriormente vistos. Si le cambian la orientación del numero hace lo que puede

El deep learning en una imagen 😁

Sabes cual es su entrada, pero no sabes cual es el proceso interno que decide su salida.

Una locura

En mayo del 2022 el enlace https://www.cs.ryerson.ca/~aharley/vis/conv/ ya no funciona

Es increible la manera en la q trabaja por dentro una red neuronal

En Machine Learnig utilizamos el conocimiento del negocio para aplicar los algoritmos de inteligencia artificial. Además, aplicamos la ingeniería de factores (feature engineering) que trata del proceso previo a la creación del modelo de predicción en el que se hace un análisis, limpieza y estructuración de los campos de los datos. Este proceso es uno de los más importantes y más costosos del proceso de predicción. El objetivo es eliminar los campos que no sirven para hacer la predicción y organizarlos adecuadamente para que el modelo no reciba información que no le es útil y que podría provocar predicciones de poca calidad o confianza.

Por otro lado, en Deep Learning aplicamos en denominado “feature learning” o aprendizaje de representaciones que trata de un conjunto de técnicas que permite a un sistema descubrir automáticamente las representaciones necesarias para la detección o clasificación a partir de datos sin procesar. Esto reemplaza la ingeniería de factores manual y permite que una máquina aprenda los funciones y las use para realizar una tarea específica.

Muy interesante 😄

Explicación breve de lo que vemos al clasificar el #3
Para clasificar el número escrito se pasa por una red neuronal convoluciones, esta tiene estas etapas:

  1. Filtro: se aplica un filtro también llamado kernel que son especies de matrices que hacen que ciertas características destaquen generalmente con un color brillante, por ejemplo filtros para lineas verticales u horizontales. En este caso podemos ver 6 filtros, que originan 6 imágenes diferentes.
  2. Detección por función de activación: esta es una función que elimina los puntos de las imágenes que son menos brillantes y deja solo las principales características.
  3. Condensar las carteristas: o máximum peeling trata de incrementar las características de la imagen anterior.
  4. Flatten o Average Pooling: esta capa hace que de cada imagen se haga un “promedio” de colores de cada imagen.
  5. clasificación o head: esta es una red neuronal dentro de esta red que determina finalmente que características perecen a cada número.

Si buscan una intrudcción rápida a Computer vision con redes convolucionales les recomiendo el curso de kaggle: https://www.kaggle.com/learn/computer-vision