Crea una cuenta o inicia sesión

¡Continúa aprendiendo sin ningún costo! Únete y comienza a potenciar tu carrera

¿Qué es deep learning?

3/29
Recursos

Aportes 33

Preguntas 5

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

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.

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

George Washington Neural Network

Les comparto el link actualizado para que vayan a jugar: https://adamharley.com/nn_vis/cnn/3d.html

El deep learning en una imagen 😁

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

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.

3D convolutional network visualization
(Nuevo link 2023)
https://adamharley.com/nn_vis/cnn/3d.html

Una locura

Nuevo enlace para la visualización
https://adamharley.com/nn_vis/mlp/3d.html

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

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

Deep Learning:
Es parte del Machine Learning que a su vez es un subconjunto de la Inteligencia Artificila

  • Inteligencia Artificilal: Es una rama de las ciencias de la computación que busca replicar la inteligencia en una computadora.
  • Machine learning: Es la rama de la Inteligencia Artificial que busca generar algoritmos que permitan aprender a la máquina.
  • Deep Learning: Rama del Machine Learning que trabaja con redes neuronales, esto es se busca que la computadora tome decisiones inteligentes por medio de algoritmos inspirados en el funcionamiento de las neuronas naturales (Perceptrones)

Flujo de trabajo

  • Flujo del Machine Learning: feature Engineering (tratamiento de datos) -> Clasificacion -> Output
  • Deep Learning: Feature Engineering -> Clasificación -> Output

Desventajas del Deep Learning

  • Tienden al overfitting: Complejizar una red neuronal es muy fácil y por tanto es muy fácil caer en overfitting
  • Son Cajas Negras: Al ser algortimos complejos, no es nada fácil saber qué hacen internamente.

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

Que es Deep Learning?

Comencemos por ubicarlo como:

Deep Learning > Machine Learning > Artificial Intelligence

Son todos esos intentos de replicar la inteligencia humana en sistemas artificiales.

Dentro de la inteligencia artificial se encuentra “Machine Learning”; que son todas estas técnicas o sistemas de aprendizaje automático donde el mismo sistema aprende como se va a desarrollar o como encontrar una respuesta sin que algún humano lo esté programando.

Dentro de machine learning se encuentra Deep Learning; es todo aquello orientado a las redes neuronales que se llama “Aprendizaje Profundo” porque a medida que se tienen más capaz interconectadas entre sí, se puede obtener aprendizaje mucho más fino, más puro y filtrado.

Que diferencias se pueden encontrar?

Existen ciertas diferencias entre los modelos de Machine Learning y Deep Learning:

  • Traditional Machine Learning: Se utiliza todo el conocimiento que se tiene del negocio, a traves de feature engineering y luego se hace un minado de datos. Por ejemplo:

Tweet > Feature Engineering > classification > output “Polite Offense”.

Deep Learning: se toman los datos de entrada, se buscar ensamblar una red neuronal que mejor se ajusta arquitectónicamente a los datos y la misma red neuronal se encarga por si mismo de llevar a cabo el featuring y la clasificación. Por ejemplo:

Tweet > Feature Learning + Classification > output “Polite Offense”.

Puede observarse similarmente como una “caja negra”.

**Problemas de Deep Learning **

  1. Problemas de ajuste (overfitting): en líneas generales, es cuando el algoritmo o modelo se aprende los datos, pero, no aprende a generalizar. Se observa en otras áreas de la inteligencia artificial, pero en Deep Learning es especial.

  2. Observar este fenómeno en Deep Learning es particular debido a las múltiples capas que se pueden contener en una red y estas a su vez conectadas entre sí.

  3. Al estar conectadas, hacen que la información sea cada vez más específica y mientras más especifica se convierte, más riesgo hay de que ocurra overfitting. De hecho, es muy fácil llevar al overfitting con algoritmos de este tipo.

Cajas negras: puede observar como el tener tus datos de entrada, lo pasas a través de tu modelo de red neuronal y obtienes una respuesta, sin embargo, no sabes lo que ocurrió adentro(proceso).

Son tantos los modelos matemáticos ejecutados que se hace muy difícil el poder seguirles la pista.

De igual manera, parte del problema surge debido al concepto y manejo de la “Ética”; al no saber que ocurre por dentro del algoritmo para discriminar y tomar decisiones, hace muy difícil que sea vinculante frente y contra cualquier tipo de escenarios y por ende, tornándolo un dilema.

AI(ML(DL))

  • ML: Feature Engineering -> Classification -> Output
  • DL: Feature Engineering + Classification -> Output
    • Overfitting
    • Caja negra

El primer enlace ya no funciona. Acá está el demo de la clase y otros similares: https://adamharley.com/nn_vis/

El aprendizaje profundo representa un enfoque avanzado en la construcción de modelos que pueden aprender y realizar tareas complejas, permitiendo avances significativos en campos como la inteligencia artificial y la ciencia de dato

😖😖

No es tan difícil aprender

Deep learning, o aprendizaje profundo en español, es una rama del aprendizaje automático (machine learning) que se basa en el uso de redes neuronales artificiales profundas para realizar tareas de análisis y predicción de datos de manera automática. A diferencia del aprendizaje tradicional, donde se utilizan algoritmos y características diseñadas manualmente, el aprendizaje profundo permite que la propia red neuronal aprenda automáticamente a partir de los datos sin la necesidad de una programación explícita. Las redes neuronales profundas son capaces de aprender y extraer características de manera jerárquica a través de múltiples capas de neuronas. Cada capa procesa la información y la pasa a la siguiente capa, permitiendo una representación más compleja y abstracta de los datos. El aprendizaje profundo ha demostrado un gran éxito en diversas áreas, como el reconocimiento de imágenes, el procesamiento de lenguaje natural, la traducción automática, el reconocimiento de voz y muchas otras aplicaciones. Su capacidad para manejar grandes volúmenes de datos y encontrar patrones complejos ha revolucionado la forma en que se abordan problemas complejos en el campo del aprendizaje automático.

gracias espero que tu te puedes unir a platzi

me alegro que hayas elegido platzi, espero que aprendas mucho

todo bien, estoy viendo un curso muy interesante de Platzi

bien y tu?

hola como estas?

hola

Dejo este video que da una buena data del Overfitting: https://www.youtube.com/watch?v=_opXSMa_nX4&ab_channel=AprendeInnovando

  1. hola

¿Qué es Deep learning?

Deep learning

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 esté programando. Deep learning es todo lo relacionado con las redes neuronales. Se llama aprendizaje profundo porque a mayor capas conectadas ente sí se obtiene un aprendizaje más fino.

Problemas en Deep Learning

¿Qué es el Overfitting?

Es cuando el algoritmo se aprende los datos y no puede predecir información que no ha visto antes. Es muy fácil llegar al overfitting.

¿Qué son las cajas negras?

Son cajas negras, los datos de entrada pasan por la red neuronal y obtienes una respuesta; pero no sabes qué paso dentro del proceso.

Muy interesante 😄