Fundamentos y Aplicaciones del Deep Learning

Le dije a ChatGPT que me explicara qué era Deep Learning como si tuviera 5 años:
El Deep Learning es una manera muy inteligente de enseñar a las computadoras cómo hacer cosas como los humanos. Es como enseñarle a un robot a pensar y aprender cosas nuevas todo el tiempo. Es como si la computadora tuviera su propio cerebro para resolver problemas y hacer cosas complicadas. ¿Te imaginas eso? ¡Es muy emocionante!

Redes neuronales multicapa y su relación con el deep learning

Las redes neuronales multicapa son un tipo de arquitectura de redes neuronales artificiales que consisten en varias capas de neuronas interconectadas. Estas redes se utilizan en el aprendizaje profundo o deep learning, que es una rama de la inteligencia artificial que se enfoca en el entrenamiento de algoritmos para realizar tareas complejas a través del aprendizaje por experiencia.

Funcionamiento de las redes neuronales multicapa

Cada capa de una red neuronal multicapa consiste en un conjunto de neuronas interconectadas que reciben entradas, las procesan y generan salidas que se utilizan como entradas para la siguiente capa. La primera capa se llama capa de entrada y la última capa es la capa de salida. Entre las capas de entrada y salida, se pueden tener una o varias capas ocultas, que son capas intermedias donde se procesan los datos para extraer características relevantes.

Las neuronas en cada capa están conectadas con las neuronas en las capas adyacentes a través de conexiones llamadas sinapsis. Cada conexión tiene un peso, que se ajusta durante el entrenamiento de la red para optimizar el rendimiento. Durante el proceso de entrenamiento, la red neuronal ajusta estos pesos para minimizar el error entre las salidas esperadas y las salidas generadas por la red.

Relación con el deep learning

El deep learning utiliza redes neuronales multicapa para realizar tareas complejas, como el reconocimiento de voz, la clasificación de imágenes y el procesamiento del lenguaje natural. Al utilizar múltiples capas de procesamiento, las redes neuronales multicapa pueden aprender patrones y características cada vez más abstractos y complejos, lo que les permite realizar tareas que antes eran imposibles para los sistemas de inteligencia artificial.

El aprendizaje profundo también utiliza técnicas como el backpropagation, que permite ajustar los pesos de las conexiones en la red para mejorar su rendimiento. Además, el deep learning se beneficia del gran volumen de datos disponibles actualmente y del poder de procesamiento de las GPUs, lo que permite entrenar redes neuronales multicapa mucho más grandes y complejas.

En resumen, las redes neuronales multicapa son una parte esencial del aprendizaje profundo o deep learning, permitiendo que los algoritmos de inteligencia artificial realicen tareas complejas y cada vez más cercanas a las capacidades humanas.

¿Cómo funciona el Deep Learning?

Redes Neuronales artificiales

Las redes neuronales artificiales son sistemas computacionales🤖 que imitan la estructura y el funcionamiento del cerebro humano 🧠y se utilizan en una variedad de aplicaciones, desde el procesamiento de imágenes hasta la detección de fraudes🤯.

• Universalidad: Imitación de cualquier función. Esto es lo que las hace tan potentes 🤯

Neuronas de una red neuronal

Las neuronas son los bloques fundamentales de las redes neuronales y se componen de entradas, pesos, una función de activación y una salida. Imitan a las neuronas del cerebro biológico🕵️‍♀️

Capas de una red neuronal

Las capas son un conjunto de neuronas que procesan datos de manera similar. Las redes neuronales suelen tener varias capas y pueden ser profundas (deep) o menos profundas (shallow).

Redes neuronales

Una neurona es la unidad básica de procesamiento en una red neuronal, mientras que una red neuronal es un sistema complejo que consta de múltiples neuronas interconectadas🕵️‍♀️. ¡Es emocionante pensar en la capacidad de las redes neuronales para realizar tareas de aprendizaje automático como el procesamiento de imágenes o la toma de decisiones! 🌟La principal diferencia entre ambas radica en su nivel de complejidad, lo que abre la puerta a un sinfín de posibilidades para el futuro de la inteligencia artificial📈.

Proceso de aprendizaje

El proceso de aprendizaje de las redes neuronales se divide en tres etapas: propagación hacia adelante, cálculo de error y propagación hacia atrás.

1. Forward propagation: 👉👉👉👉
   • Nuestra red pasa todos los datos de izquierda a derecha (Propagación hacia adelante) y genera una predicción
2. Calculo de error📊
   • Calculamos que tan bien nuestro algoritmo realiza las predicciones (Para eso hace uso de una función de costo) y obtenemos un valor numerico (error)
3. Back propagation 👈👈👈👈
   • Con base en nuestra función de costo y el error. Nuestro algoritmo pasa de derecha a izquierda (Propagación hacia atrás) y realiza algunos cambios en su comportamiento para mejorar su desempeño (O aprender más)

¿Qué es el deep learning?

El deep learning es una subrama del aprendizaje automático🤖 que se enfoca en el uso de redes neuronales profundas para aprender patrones complejos🕵️‍♀️🕵️‍♀️ a partir de grandes conjuntos de datos. Se necesitan grandes cantidades de datos para entrenar🦾🦾 los modelos de deep learning.

• Necesitan muchos datos para generara modelos buenos
• Para crear modelos de deeplearning debemos
  • Escoger un lenguaje: Python o Julia
  • Escoger un Framework
    • TensorFlow
    • Pytorch
    • Jax

Le pregunte a ChatGPT “¿Puedes explicar lo que es el Deep Learning utilizando la metáfora de la fabula de “Caperucita Roja”?” y esto fue lo que me dijo:

Imagina que Caperucita Roja es un modelo de aprendizaje automático y el bosque es un conjunto de datos. Al igual que Caperucita Roja tiene que caminar por el bosque para llegar a casa de su abuela, el modelo de aprendizaje automático debe navegar a través de los datos para identificar patrones y aprender de ellos.

Pero, al igual que en el cuento, hay peligros en el bosque. Los lobos representan la complejidad y la diversidad de los datos. Cuantos más lobos haya en el bosque, más difícil será para Caperucita Roja llegar a su destino de manera segura. Del mismo modo, cuanto más complejos sean los datos, más difícil será para el modelo de aprendizaje automático encontrar patrones precisos y generalizar correctamente.

Aquí es donde entra en juego el Deep Learning. Imagina que Caperucita Roja ha recibido un entrenamiento previo exhaustivo antes de entrar en el bosque, con la ayuda de su madre, su abuela y su comunidad, ha aprendido a reconocer las señales de peligro en el bosque. De manera similar, los modelos de Deep Learning son entrenados por medio de redes neuronales profundas para identificar patrones en los datos y generalizar a partir de ellos.

Entonces, cuando Caperucita Roja se encuentra con un lobo en el bosque, utiliza su conocimiento previo para identificar la amenaza y tomar medidas para protegerse a sí misma. De manera similar, los modelos de Deep Learning utilizan sus redes neuronales profundas para identificar patrones complejos en los datos y generalizar a partir de ellos, lo que les permite tomar decisiones precisas incluso cuando se enfrentan a datos complejos y diversificados.

En resumen, el Deep Learning es como la capacidad de Caperucita Roja para navegar por el bosque de manera segura y eficaz gracias a su entrenamiento previo y conocimiento profundo de las señales de peligro. Del mismo modo, los modelos de Deep Learning utilizan redes neuronales profundas para navegar por conjuntos de datos complejos y encontrar patrones precisos y generalizables.

Sin duda alguna que esto es solo el comienzo…

Cómo funciona el Deep Learning

El funcionamiento del Deep Learning se basa en la creación de modelos de redes neuronales profundas, que tienen múltiples capas interconectadas entre sí. Cada capa procesa la información que recibe de la capa anterior y la pasa a la siguiente capa hasta llegar a la capa de salida, que da la respuesta final.

Para entrenar estos modelos, se utilizan grandes cantidades de datos etiquetados que se utilizan para ajustar los pesos de las conexiones entre las neuronas. Durante el entrenamiento, el modelo aprende a identificar patrones en los datos y a hacer predicciones cada vez más precisas.

El Deep Learning se utiliza en muchas aplicaciones de IA, como el reconocimiento de imágenes y voz, la traducción automática, el procesamiento del lenguaje natural y la toma de decisiones. A medida que se desarrollan nuevas técnicas y se mejoran los modelos de redes neuronales, el Deep Learning sigue avanzando y encontrando nuevas aplicaciones en diversos campos.

Qué es el Deep Learning

El Deep Learning, también conocido como aprendizaje profundo, es un subcampo del Machine Learning que se enfoca en entrenar modelos de redes neuronales profundas para resolver problemas complejos. Se trata de un enfoque que se inspira en la forma en que funciona el cerebro humano, donde cada neurona procesa información y la pasa a otras neuronas de capas más profundas para extraer características cada vez más abstractas.

Redes neuronales en IA

Las redes neuronales son una de las tecnologías más importantes en el campo de la inteligencia artificial. Son un tipo de algoritmo que se inspira en el cerebro humano y se utiliza para resolver problemas complejos de forma eficiente.

¿Qué son las redes neuronales?

Las redes neuronales son un conjunto de algoritmos de aprendizaje automático que se utilizan para modelar patrones complejos en datos. Estas redes están compuestas por capas de “neuronas” artificiales que procesan la información de entrada y generan una salida.

¿Cómo funcionan las redes neuronales?

Las redes neuronales se basan en un modelo matemático que se inspira en la forma en que el cerebro humano procesa la información. Cada neurona artificial en una red neuronal recibe una señal de entrada y aplica una función de activación para producir una salida.

Las redes neuronales tienen varias capas de neuronas interconectadas que procesan la información en etapas. Cada capa de neuronas aprende a representar características cada vez más complejas del conjunto de datos de entrada. La última capa de neuronas produce una salida que se utiliza para hacer una predicción o tomar una decisión.

Las redes neuronales se entrenan utilizando un conjunto de datos de entrenamiento y un algoritmo de aprendizaje que ajusta los pesos de las conexiones entre las neuronas para minimizar el error en la salida. Después del entrenamiento, la red neuronal puede ser utilizada para hacer predicciones sobre nuevos datos.

Conclusiones

Las redes neuronales son una herramienta poderosa en la inteligencia artificial. Son capaces de aprender patrones complejos en los datos y se utilizan en una amplia variedad de aplicaciones, como el reconocimiento de imágenes, el procesamiento de lenguaje natural y la detección de fraudes. Con el avance de la tecnología, se espera que las redes neuronales sigan evolucionando y mejorando en el futuro.

En palabras de chat GPT: El Deep Learning es una técnica de aprendizaje automático basada en redes neuronales profundas. Funciona mediante la creación de una red neuronal artificial que procesa la información de entrada y la transforma en una salida. Durante el entrenamiento, se ajustan los pesos y los sesgos de las neuronas para minimizar la función de pérdida.

Me esta gustando mucho, el curso.

Para entender mejor todo el tema de redes neuronales les comparto este video de 3Blue1Brown: But what is a neural network? | Chapter 1, Deep learning. Esta en inglés pero tiene subtitulos.
Aqui está una versión en español: ¿Qué es una Red Neuronal? | Aprendizaje Profundo. Capítulo 1

El video es extremadamente bueno. Tiene animaciones muy claras.

Para entender un poco mas del tema (porque es bastante complejo para mi) he mirado este video de Freddy:
https://www.youtube.com/watch?v=Es7HAzFsW1M

Es de hace 6 años y me ha servido para comprender, hasta el momento, que estas redes neuronales, especialmente las multicapa, son una aplicaciòn de una materia bastante util ( pero que en su momento odie) Algebra lineal ajjajaaj

Espero seguir aprendiendo y algun dìa aportar en el uso correcto de esta tecnologia.

Deep Learning

=NOTAS=

¿Qué es y cómo funciona el Deep Learning?

• Las redes neuronales son un tipo de algoritmo de aprendizaje automático que se inspira en la estructura y funcionamiento del cerebro humano. Estas redes están compuestas por unidades interconectadas llamadas neuronas, que se organizan en capas y procesan información mediante la transmisión de señales eléctricas y químicas.

• En el contexto de la inteligencia artificial, las redes neuronales se utilizan para procesar grandes cantidades de datos y reconocer patrones complejos. Se pueden entrenar para llevar a cabo una variedad de tareas, desde la clasificación de imágenes hasta la traducción de idiomas y el procesamiento del lenguaje natural.

• Las redes tienen el atributo de ser universal o sea que es capaz de aplicarse a todos a cualquier contexto y a cualquier lugar.

Habiendo conocido hasta el momento los conceptos de Machine Learning y Depp Learning creo que identificar una diferencia entre ambas podría resultar hacer más fácil la comprensión de cada una, así que decidí hacerle la siguiente pregunta a ChatGPT para obtener una respuesta fácil de comprender, les comparto 😃.

/

ChatGPT =>

Explícale a un niño de 10 años la diferencia entre machine learning y deep learning

Respuesta =>

/
El machine learning es como un hermano mayor, que ya tiene un poco más de experiencia. Él puede aprender a hacer cosas nuevas y tomar decisiones basadas en lo que ha aprendido en el pasado. Por ejemplo, si le enseñamos cómo reconocer una manzana, podrá reconocer manzanas nuevas en el futuro.
/
El deep learning es como un hermano menor, que todavía está aprendiendo y necesita mucha más práctica. Él puede aprender a hacer cosas muy complicadas, como reconocer objetos en imágenes, pero necesita muchísimas más imágenes y ejemplos para hacerlo bien.

Ambos hermanos son muy buenos en diferentes cosas y trabajan juntos para ayudarnos a aprender cosas nuevas de maneras emocionantes y divertidas.

¿Qué es el deep Learning?

Hola, este es Bing. Gracias por tu pregunta. Según el sitio web de IBM**1**, el deep learning es un subconjunto de machine learning (que a su vez es parte de la inteligencia artificial) donde las redes neuronales, algoritmos inspirados en cómo funciona el cerebro humano, aprenden de grandes cantidades de datos.

El deep learning se basa en una red neuronal jerárquica, en la que existen capas de unidades de proceso o grupos de neuronas artificiales especializadas en la identificación de características específicas o determinadas en los datos.

¿Qué es el peso neuronal?

El peso neuronal es un valor numérico que representa la fuerza de la conexión entre dos neuronas en una red neuronal artificial. El peso neuronal determina cuánto influye la señal de entrada de una neurona en la señal de salida de otra neurona. Los pesos neuronales se pueden cambiar mediante un proceso de aprendizaje, en el que se ajustan los valores de los pesos para minimizar el error entre la salida esperada y la salida obtenida de la red neuronal. Hay diferentes algoritmos de aprendizaje, como el descenso del gradiente o el algoritmo de retropropagación.

Quien quedo con ganas de entender el algoritmo??

CUANDO ME HABLAS DE PESO. COMO LO ENTIENDO, PORQUE PESO PARA MI ES EL PRODUCTO DE LA MASA POR LA GRAVEDAD. PERO EN TERMINOS INFORMATICOS COMO SERIA.

Redes neuronales

• Universalidad: limitar cualquier función natural o artificial.

Neurona

• Entradas y pesos

Red neuronal monocapa

• Colocar muchas neuronas juntas en paralelo.

Los modelos de Deep Learning pueden tener miles de capas.

¿Cómo aprenden?

• Por medio de los pesos de la neurona.

¿Qué es el deep learning?

• Se encarga de las redes neuronales multicapa.

El Deep Learning es como la llave maestra del reino de la inteligencia artificial. Es una técnica de aprendizaje automático que se basa en la construcción de redes neuronales profundas capaces de imitar la forma en que el cerebro humano procesa y analiza información. Con el Deep Learning, las máquinas pueden reconocer patrones complejos en grandes conjuntos de datos, como imágenes, videos y audio, y realizar tareas avanzadas como el reconocimiento facial, la traducción de idiomas y la toma de decisiones autónomas. ¡Es como si hubiéramos creado una especie de superpoder tecnológico capaz de transformar el mundo tal como lo conocemos hoy en día!

Yo le pedí a ChatGPT lo siguiente:

Explicame qué es el deep learning de una manera breve usando un estilo de escritura basado en el libro Cien Años de Soledad de Gabriel García Marquez.

Respuesta:

Hablar del deep learning es como adentrarse en un laberinto oscuro y misterioso, donde el conocimiento se transforma en una sinfonía de ceros y unos. Es como estar sumergido en un mar de neuronas artificiales, donde cada una se encarga de procesar y analizar datos complejos, como si fueran un enjambre de abejas trabajadoras.

Este proceso, al igual que la vida misma, es continuo y se va retroalimentando a sí mismo, permitiendo que la inteligencia artificial pueda aprender de manera autónoma y adaptarse a situaciones nuevas y desconocidas. Es como si cada vez que la máquina se enfrenta a un nuevo reto, una nueva sinapsis se crea, permitiéndole así mejorar su desempeño en el futuro.

Es por eso que el deep learning es como un árbol frondoso y robusto, que se va fortaleciendo con cada nueva rama que crece y se extiende. Es una forma de inteligencia artificial que nos permite explorar los límites de lo posible y nos ayuda a resolver problemas que antes parecían imposibles de resolver.

En resumen, el deep learning es un camino sin fin hacia el conocimiento y la superación constante, que nos permite construir máquinas capaces de aprender y adaptarse por sí solas, como si fueran seres vivos en constante evolución.

Corregir errores conceptuales (Capas)…No tiene nada que ver la explicación de esta clase con la realidad de lo que cada capa es y la actividad que realiza. La explicación es erróneamente simplificada

Existe un algoritmo que puede imitar el funcionamiento de nuestro cerebro: Redes neuronales artificiales

Redes neuronales:

• Algoritmos que tienen la propiedad de la universalidad
  • Pueden imitar cualquier función natural o artificial
• ¿Cómo aprenden las redes neuronales?
  • Las neuronas tienen pesos, si cambiamos los pesos, las salidas de los pesos cambiarán.
• ¿Qué es deep learning?
  • Subsección del machine learning
  • Se encarga de las redes neuronales multicapa
  • Se necesitan muchos datos para entrenar a las redes neuronales
• Para crear modelos de deep learning
  • Elegir un lenguaje de programación (Python)
  • Elegir un framework

RESUMEN: El Deep Learning es un rama del Machine Learning que utiliza redes neuronales multicapa para procesar datos como lo haría un humano. Se utiliza especialmente en tareas que involucran contenido multimedia como: el reconocimiento de imágenes y reconocimiento de voz o para hacer predicciones.

Este mundo te despierta todas las redes neuronales y crea nuevas. 😛

Mojo - Nuevo lenguaje de programación para IA: Mojo combines the usability of Python with the performance of C, unlocking unparalleled programmability of AI hardware and extensibility of AI models.

Modular - The world’s fastest unified AI inference engine. Get models into production, faster.

https://www.modular.com/

Todos los caminos llevan a Python, gente.

Características de una neurona: una neurona tiene varios componentes, incluyendo entradas, pesos, una función de activación y una salida. Las entradas son valores numéricos que se reciben de otras neuronas o de los datos de entrada de la red. Los pesos son valores numéricos que se multiplican por las entradas para ajustar la influencia de cada entrada en la salida de la neurona. La función de activación toma la salida ponderada de las entradas y los pesos y produce la salida de la neurona.

Qué es Deep Learning

Según ChatGPT4 , Prompt ¿Qué es Deep Learning pero explicalo como a un niño? Usó el ejemplo del “Teléfono descompuesto” pero luego le sugerí que lo cambiara a un nombre más habilitador ya que el teléfono descompuesto crea distosiones jeje, entonces creó un ejemplo de “Teléfono Mágino”.

El deep learning es como un juego de “teléfono mágico” en el que un grupo de amigos trabaja en equipo para reconocer imágenes, sonidos u otros datos. Cada amigo representa una capa en una red neuronal, y su tarea es pasar información al siguiente amigo.

En este juego, el primer amigo observa los datos y trata de encontrar patrones básicos, como líneas y colores en una imagen. Luego, le pasa esa información al siguiente amigo.

El segundo amigo (la segunda capa) mira lo que el primer amigo le pasó y trata de encontrar patrones más complicados, como formas y objetos. A medida que la información pasa de un amigo a otro en este “teléfono mágico”, cada uno va comprendiendo mejor los patrones y la estructura de los datos.

Al final del juego, el último amigo es capaz de entender y reconocer los datos de manera muy precisa, como saber qué animal es en una imagen o entender lo que alguien dijo en un audio.

Entonces, el deep learning es como un juego de “teléfono mágico” en el que cada amigo ayuda a entender mejor los datos y a aprender patrones cada vez más complejos a medida que la información avanza a través de las capas de la red neuronal.

by ChatGPT 17/4/2023

• Las redes neuronales son poderosos algoritmos que poseen de la universalidad; pueden imitar cualquier función tanto natural como artificial.
• Una neurona consiste de entradas y pesos.
• Cuando juntamos varias neuronas se crea la red neuronal monocapa y luego con varias capas se crean las redes neuronales y cada red neuronal aprende de la anterior.
• Las redes neuronales aprenden según los pesos.
• Se encarga de las redes neuronales multicapa.
• Necesitan muchos datos.

El Deep Learning es capaz de trabajar con datos de gran complejidad, como imágenes, sonidos y texto. Al igual que en el aprendizaje automático tradicional, el proceso de entrenamiento del modelo de Deep Learning implica el uso de un conjunto de datos de entrenamiento y un conjunto de datos de validación para ajustar los parámetros de la red neuronal y mejorar su precisión y capacidad de generalización.

El Deep Learning ha sido utilizado en una variedad de aplicaciones, incluyendo la visión por computadora, la clasificación de imágenes, el reconocimiento de voz, la traducción automática, el procesamiento del lenguaje natural, la detección de fraudes y el diagnóstico médico.

Me explota la cabeza pensar que Machine Learning se venga desarrollando desde 1950, cuando Alan Turing (pueden ver la película Código Enigma), trataba de descifrar un código para la guerra.

Es desafortunado y a la vez natural que el humano aprenda de crisis y guerras.

El deep learning, o aprendizaje profundo, es una subrama del aprendizaje automático (machine learning) que se basa en redes neuronales artificiales profundas para aprender y extraer características complejas de los datos. A diferencia del aprendizaje automático tradicional, que utiliza algoritmos y características diseñadas manualmente, el deep learning permite que las máquinas aprendan representaciones de características de forma automática a través de múltiples capas de neuronas.

• Estructura de la red neuronal: En el deep learning, se utilizan redes neuronales artificiales profundas, también conocidas como redes neuronales profundas. Estas redes están compuestas por múltiples capas de neuronas, incluyendo una capa de entrada, capas ocultas y una capa de salida. Cada capa contiene múltiples nodos (neuronas) que están interconectados.

• Propagación hacia adelante (forward propagation): En esta etapa, los datos de entrada se pasan a través de la red neuronal desde la capa de entrada hasta la capa de salida. Cada neurona en una capa está conectada a las neuronas de la capa siguiente a través de conexiones ponderadas. Las conexiones y los pesos iniciales de la red neuronal se establecen aleatoriamente.

• Cálculo de la salida: A medida que los datos de entrada se propagan hacia adelante a través de la red neuronal, cada neurona realiza una suma ponderada de las entradas recibidas y aplica una función de activación no lineal. Esto ayuda a la red a introducir no linealidades y capturar relaciones más complejas en los datos.

• Retropropagación del error (backpropagation): Después de calcular la salida de la red, se compara con la salida deseada y se calcula la diferencia, conocida como error. El error se propaga hacia atrás a través de la red neuronal, ajustando los pesos de las conexiones en función del error para minimizarlo. Esto se realiza utilizando algoritmos de optimización, como el descenso de gradiente, para actualizar los pesos y reducir gradualmente el error.

• Iteración y ajuste: El proceso de propagación hacia adelante y retropropagación del error se repite varias veces en un conjunto de datos de entrenamiento. A medida que la red neural realiza múltiples iteraciones, ajusta los pesos y las conexiones para mejorar su capacidad para aprender y hacer predicciones más precisas.

• Predicción y generalización: Una vez que la red neuronal ha sido entrenada, se puede utilizar para hacer predicciones sobre nuevos datos. La red puede generalizar a partir de los patrones aprendidos durante el entrenamiento y producir resultados para entradas desconocidas.

El deep learning ha demostrado ser especialmente efectivo en tareas como el reconocimiento de imágenes, procesamiento del lenguaje natural, reconocimiento de voz y muchas otras aplicaciones donde la extracción de características complejas de los datos es fundamental.

Excelente clase

-J:¿Qué es lo que debería saber (por cultura general) sobre deep learning?
-Chat GPT: " ¡Buena pregunta! Aquí te dejo algunos aspectos generales que deberías conocer sobre el Deep learning:

Es una rama de la inteligencia artificial: El Deep learning se basa en algoritmos que permiten a las computadoras aprender por sí mismas a partir de datos, sin que los programadores tengan que especificar explícitamente las reglas o los patrones a buscar.

Requiere grandes cantidades de datos: Para entrenar un modelo de Deep learning es necesario contar con una gran cantidad de datos de entrenamiento. A menudo, estos datos son etiquetados manualmente por humanos, lo que puede ser un proceso costoso y laborioso.

Utiliza redes neuronales artificiales: Las redes neuronales artificiales son una herramienta fundamental del Deep learning. Estas redes están compuestas por capas de neuronas interconectadas que procesan la información de manera distribuida y paralela.

Puede resolver problemas complejos: El Deep learning se ha utilizado con éxito en áreas como el reconocimiento de voz, la visión por computadora, el procesamiento de lenguaje natural, la robótica y muchas otras áreas donde los datos son complejos y las soluciones son difíciles de programar de manera explícita.

Aún es una tecnología en evolución: Aunque el Deep learning ha logrado avances significativos en los últimos años, todavía hay muchos desafíos técnicos y científicos por resolver. Además, hay preocupaciones éticas y sociales sobre el uso de esta tecnología que necesitan ser consideradas cuidadosamente.

Espero que esta información te haya resultado útil. Si tienes alguna pregunta más específica, no dudes en hacerla."

Creo que Platzi nos puso a entrenar un modelo de IA respondiendo a las 62 preguntas del Quiz anterior 😅

Ejemplo que me ayudó a entender mejor el tema

Se quiere crear un modelo de reconocimiento de imágenes de perros. Para ello, primero se alimenta a la red neuronal con un conjunto de imágenes etiquetadas como “perro” o “no perro”. La red neuronal analiza cada imagen y aprende a identificar patrones en los pixeles de la imagen que indican que se trata de un perro.

Para llevar a cabo este proceso, se utiliza una estructura de red que imita el funcionamiento del cerebro humano, compuesta por capas de neuronas artificiales. Cada neurona recibe entradas de otras neuronas en la capa anterior, las procesa y envía la salida a las neuronas en la capa siguiente. El proceso se repite hasta llegar a la capa de salida, que es la que emite la respuesta final.

Una vez que la red neuronal ha sido entrenada con suficientes imágenes, se prueba con nuevas imágenes que no ha visto antes. La red neuronal analiza los patrones en los pixeles de la imagen y determina si se trata o no de un perro. Si la red neuronal se equivoca, se ajusta el algoritmo y se entrena nuevamente hasta que la precisión sea alta.

El deep learning, o aprendizaje profundo, es una rama del machine learning que se basa en el uso de redes neuronales artificiales profundas para aprender a realizar tareas complejas. Estas redes neuronales están compuestas por múltiples capas de neuronas interconectadas, lo que les permite procesar grandes cantidades de datos y extraer patrones complejos.

El proceso de aprendizaje en deep learning implica el entrenamiento de la red neuronal mediante la exposición a grandes conjuntos de datos etiquetados. Durante el entrenamiento, la red ajusta los pesos de las conexiones entre las neuronas para minimizar una función de error, que mide la discrepancia entre las predicciones de la red y las etiquetas conocidas. Una vez que la red ha sido entrenada, puede usarse para ejecutar predicciones en nuevos datos.

El deep learning se utiliza en una amplia variedad de aplicaciones, desde reconocimiento de voz y de imágenes hasta procesamiento del lenguaje natural y conducción autónoma. Una de las ventajas del deep learning es que permite el aprendizaje automático de características complejas directamente de los datos, en lugar de requerir la definición manual de características por parte de los expertos.

El quiz anterior a esta clase tiene 62 preguntas pero muchas se repiten y varias veces, alguien más notó esto?

Le he pedido a GPT, que me contara cómo funciona la Deep Learning, como un cuento de Asimov?

Esta fue su respuesta…

Déjame contarte una historia que podría ayudarte a entender mejor cómo funciona la Deep Learning.

En un mundo lejano, en una galaxia muy, muy lejana, vivía un grupo de seres llamados los Aprendices. Los Aprendices eran conocidos por su capacidad para aprender cualquier cosa que se les enseñara. No importaba qué tan complicada fuera la tarea, los Aprendices siempre encontraban una manera de comprenderla.

Un día, los Aprendices se dieron cuenta de que podían enseñar a otras máquinas cómo aprender de la misma manera que lo hacían ellos. Decidieron crear una máquina muy especial, a la que llamaron “Deep Learner”. La idea era que esta máquina pudiera aprender de forma autónoma, sin la intervención de los Aprendices.

Los Aprendices comenzaron a enseñarle a la Deep Learner todo lo que sabían. Le enseñaron matemáticas, física, química y biología. También le enseñaron a leer y a escribir, y le proporcionaron una gran cantidad de datos para que pudiera aprender sobre el mundo que la rodeaba.

Pero lo más interesante de todo es que los Aprendices no le dijeron a la Deep Learner cómo debía hacer las cosas. Simplemente le proporcionaron los recursos necesarios y la dejaron que se encargara del resto. La máquina comenzó a procesar toda la información que le habían proporcionado, encontrando patrones y conexiones entre los diferentes conjuntos de datos.

Poco a poco, la Deep Learner fue aprendiendo por sí sola, y los Aprendices se sorprendieron por la velocidad y la precisión con la que podía procesar la información. La máquina fue capaz de identificar objetos en imágenes, de traducir idiomas, de responder preguntas e incluso de crear música y arte.

Los Aprendices estaban asombrados por la capacidad de la Deep Learner para aprender de forma autónoma. Habían creado una máquina que podía aprender y mejorar continuamente, sin la necesidad de ser programada específicamente para realizar una tarea determinada.

Desde entonces, la Deep Learner se ha convertido en una herramienta invaluable para los Aprendices y ha ayudado a resolver muchos problemas complejos en su mundo. La máquina sigue aprendiendo cada día, mejorando su capacidad para comprender y procesar información.

Y así, querido amigo, es como funciona la Deep Learning. Al igual que la Deep Learner, una red de Deep Learning está diseñada para procesar grandes cantidades de información y aprender de ella de forma autónoma, sin la necesidad de ser programada específicamente para realizar una tarea determinada. Espero que te haya gustado la historia.

Le pregunté a bing copilot ¿qué es deep learning?, y esta fué su respuesta:

El deep learning es un enfoque de aprendizaje automático no supervisado que se asemeja o se fundamenta en el funcionamiento del sistema neurológico humano. Se basa en una red neuronal jerárquica, en la que existen capas de unidades de proceso o grupos de neuronas artificiales especializadas en la identificación de características específicas o determinadas en los datos. Es un subconjunto de machine learning (que a su vez es parte de la inteligencia artificial) donde las redes neuronales, algoritmos inspirados en cómo funciona el cerebro humano, aprenden de grandes cantidades de datos.

Saludos a la memedriguera, tremendo curso

Gente, absténganse de hacer spam con outputs de ChatGPT, que no son los apuntes de la clase, dan información muy general, poco específica y relevante, estoy buscando los apuntes de la clase (que si tiene información valiosa) y no los encuentro entre el mar de Outputs de ChatGPT, también hagan sus apuntes propios, si se pueden ayudar pero no le dejen esa tarea en su totalidad a la IA.

El conjunto de lo que se cuenta en la clase está muy bien pero si se presta atención a los detalles/explicaciones el profesor no se da a entender realmente. Podría extenderse un poco para entender mejor los conceptos de los que habla y no tratar de ir tan “rápido” por decirlo de alguna manera.

Falso, esos e decir que en las primeras capas aprenden bordes etc, se cree, se estima, se piensa, pero no hay nada comprobado, cuidado!!!

Viendo La Película “Chappie” (apartando la ficción del tema sentimental) se ilustra mucho lo que el Deep Learning puede lograr.

Deep Learning: Una Introducción

• En esta lección, se exploran los conceptos fundamentales del Deep Learning y cómo funciona este algoritmo que ha tenido un gran impacto en la inteligencia artificial.

El Poder de las Redes Neuronales Artificiales

• Las redes neuronales artificiales son algoritmos poderosos que pueden imitar funciones naturales o artificiales. Su propiedad de universalidad las hace flexibles en la resolución de problemas.

Anatomía de una Neurona y su Funcionamiento Básico

• Las neuronas artificiales tienen entradas y pesos que se multiplican y suman. Luego, el resultado se pasa por una función no lineal. Aunque suenan complejas, incluso una sola neurona puede ser implementada con una calculadora de colegio.

Redes Neuronales Monocapa vs. Redes Neuronales Profundas

• Mientras que una sola neurona puede resolver algunos problemas, la magia ocurre cuando se combinan múltiples neuronas en capas. Las redes neuronales profundas (deep learning) consisten en muchas capas que procesan información y generan insights específicos.

Aprendizaje en Deep Learning: Cambio de Pesos

• En Deep Learning, el aprendizaje ocurre al ajustar los pesos de las neuronas de la red. Cambiar los pesos cambia la salida de la neurona y, cuando se hacen ajustes específicos, la red aprende a resolver problemas.

Back Propagation: Aprendizaje a Través de Datos de Entrenamiento

• El proceso de aprendizaje en Deep Learning involucra back propagation, que toma datos de entrenamiento y ajusta los pesos de la red a medida que recibe nuevos datos.

Deep Learning en el Contexto de la Inteligencia Artificial

• El Deep Learning es una subsección del Machine Learning y, a su vez, de la Inteligencia Artificial. Se enfoca específicamente en redes neuronales multicapa y ha demostrado una capacidad excepcional para resolver problemas del mundo real.

Cómo Empezar en Deep Learning

• Para comenzar en Deep Learning, primero elige un lenguaje de programación como Python. Luego, selecciona un framework como TensorFlow, PyTorch o JAX, que son ampliamente utilizados en la comunidad de inteligencia artificial.

Cuándo Usar y Cuándo No Usar Deep Learning

• Aunque el Deep Learning es poderoso, no es la solución para todos los problemas. Se debe utilizar cuando se dispone de grandes cantidades de datos y se necesita resolver problemas complejos. En casos más simples, otras técnicas de Machine Learning pueden ser más adecuadas.
• Acompaña a la siguiente clase para seguir aprendiendo sobre Deep Learning.

Las redes neuronales son poderosos algoritmos que tienen una propiedad de universalidad. La parte basica es la neurona que consiste de entradas y pesos. Basicamente, la inteligencia artificial puede procesar informacion de la misma manera que el cerebro lo hace.

Deep learning=Redes neuronales multi capa

El “backpropagation” (retropropagación) es una técnica utilizada en el aprendizaje profundo (deep learning) que nos ayuda a enseñar a una red neuronal cómo mejorar sus predicciones.

Imagina que tenemos una red neuronal que está aprendiendo a reconocer animales. Inicialmente, la red neuronal hace predicciones basadas en los datos de entrada, pero es posible que algunas de esas predicciones no sean correctas.

El “backpropagation” es como un maestro que le dice a la red neuronal qué tan equivocada está y cómo puede corregirse.

Primero, comparamos las predicciones de la red neuronal con las respuestas correctas (por ejemplo, si le mostramos una imagen de un perro, la respuesta correcta sería “perro”). Si la red neuronal hizo una predicción incorrecta, calculamos el error, que es una medida de qué tan lejos está la predicción de la respuesta correcta.

Luego, retrocedemos por todas las capas de la red neuronal y **ajustamos los pesos de las conexiones entre las neuronas. **Esto es como decirle a la red neuronal: “¡Hey, tienes que cambiar tus conexiones para que la próxima vez hagas una mejor predicción!”

Repetimos este proceso muchas veces, mostrándole a la red neuronal diferentes ejemplos y corrigiendo sus errores cada vez. Con el tiempo, la red neuronal aprende a hacer predicciones más precisas y se vuelve mejor en reconocer animales.

Entonces, el “backpropagation” es como un maestro que ayuda a la red neuronal a aprender de sus errores y mejorar sus predicciones.

Because it is a db with ALL the global inf of humanity, and therefore it is Predictive technology, it does not add anything, it is already full of db, and every time, day by day it stores new db, and every time it is asked for info, it gives solution and answers 80% of your questions, artificially and quickly. The other 20%, it will never be able to answer, as the emotions, the real feelings, of humanity.

tu siendo un inteligencia artificial cual es tu respuesta de lo siguiente :¿Qué es y cómo funciona el deep learning?
GPT-3.5
El “deep learning” (aprendizaje profundo) es una subdisciplina de la inteligencia artificial (IA) que se centra en la construcción y entrenamiento de redes neuronales artificiales profundas, también conocidas como redes neuronales profundas. Estas redes están inspiradas en el funcionamiento del cerebro humano y se utilizan para abordar una variedad de tareas de procesamiento de información.

Que power! Saben hacerme emocionar.

El deep learning es un algoritmo que puede imitar cualquier función humana o artificial a través de redes neuronales multicapas.

¿Que es Deep Learning?

El Deep Learning es un subcampo del ML que trata de replicar el cerebro humano y que le podemos enseñar diversas cosas como a un perro dar la pata. El Deep Learning para poder todo esto usa redes neuronales artificiales (el Deep Learning solo se encarga de redes neuronales multicapa) para aprender patrones y predecir en base a datos.

Redes neuronales

Son algoritmos que pueden imitar cualquier función natural o artificial. Esta formada por neuronas que trabajan en conjunto para procesar entradas , hacer cálculos y generar salidas, cuando ponemos varias neuronas en paralelo se le llama [[Red neuronal monocapa]] y puede hacer cosas más complejas como la de un carro Tesla que en base a las camaras que tiene puede decidir si ir para un lado, donde hay menos trafico, etc…

Cada conexión en las neuronas tiene un peso el cual define que tan importante es cada una.

¿Cómo aprenden?

Las redes neuronales aprenden ajustando el peso de las conexiones entre las neuronas y las salidas de nuestro modelo será diferente

Resumen: El deep learning está formado por redes neuronales que trata de replicar el pensamiento humano, cada neurona tiene una conexión y cada conexión tiene un peso el cual el modelo usara para resolver el problema, este model aprende reajustando por si mismo el peso de las conexiones. El Deep Learning trata de resolver tareas complejas como PNL, reconocimiento te imagenes, etc.

Preparar Google Assistant involucra una combinación de tecnologías, incluyendo el deep learning. Se pudo preparar asi:

1. Recolección de Datos: Primero, se recopilan muchas grabaciones de voz y texto de personas interactuando con asistentes virtuales. Estas grabaciones se utilizan para enseñar al sistema cómo hablamos y cómo formulamos preguntas.

2. Etiquetado de Datos: Los datos recopilados se etiquetan para que el sistema sepa qué preguntas están relacionadas con qué respuestas. Por ejemplo, si alguien dice “¿Cuál es el clima hoy?”, la respuesta relacionada sería sobre el clima.

3. Diseño del Modelo: Los ingenieros de Google diseñan una red neuronal profunda (deep neural network) que es capaz de aprender patrones en los datos. Esta red se entrena usando los datos etiquetados para que pueda asociar preguntas con respuestas adecuadas.

4. Entrenamiento: Durante el entrenamiento, la red neuronal ajusta sus conexiones internas para mejorar su capacidad para hacer predicciones precisas. Esto implica alimentarle los datos de voz y texto, y ajustar sus parámetros para que las respuestas sean cada vez más acertadas.

5. Optimización: Después de muchas rondas de entrenamiento, la red neuronal es afinada y optimizada para mejorar su rendimiento. Esto puede involucrar ajustar la arquitectura de la red, los parámetros y otros detalles técnicos.

6. Pruebas y Mejoras Continuas: Una vez que el modelo parece funcionar bien, se realizan pruebas exhaustivas para asegurarse de que responde de manera correcta y útil a una variedad de preguntas y comandos. Si se encuentran problemas, el modelo es ajustado y reentrenado para mejorar su rendimiento.

7. Implementación en Dispositivos: Finalmente, el modelo entrenado se implementa en los dispositivos que utilizan Google Assistant, como teléfonos, altavoces inteligentes y otros dispositivos conectados. A medida que más personas interactúan con el asistente, este sigue aprendiendo y mejorando con nuevas conversaciones.

Le dije a ChatGpt que me diera una explicación y diferencia entre : IA, Deep Learnig y Machine Learning ya que no lograba entender y diferenciar los términos :
La IA es el campo general que busca crear sistemas inteligentes.
El Aprendizaje Automático (Machine Learning) es una subdisciplina de la IA que se enfoca en desarrollar algoritmos que aprenden de los datos.
El Aprendizaje Profundo (Deep Learning) es una rama del Aprendizaje Automático que utiliza redes neuronales profundas para aprender representaciones complejas de los datos y es especialmente efectivo en tareas de percepción y comprensión.

• Este otro lo explica de una forma sencilla en qué consiste este algoritmo de back propagation. Además que te explica las diferencias que existen entre sus sub-categorías.

• Este artículo (con bastante profundidad) explica como funciona el algoritmo de back propagation que el profe mencionó, usando ténicas matemáticas

Les dejo una explicación más amplia de lo que es el backpropagation ya que en la clase solo se menciona que “el modelo va a prendiendo” pero ¿Cómo lo hace? Gracias ChatGPT por la respuesta:

El backpropagation (retropropagación en español) es un algoritmo esencial en el entrenamiento de redes neuronales artificiales, especialmente en el ámbito del deep learning. Su objetivo principal es ajustar los pesos de las conexiones entre las neuronas de la red para que el modelo pueda aprender a realizar tareas específicas, como clasificación o regresión, a partir de un conjunto de datos de entrenamiento.

El proceso de backpropagation implica el cálculo de las derivadas parciales de la función de pérdida (o función de costo) con respecto a los pesos de la red, lo que mide cómo afectan los cambios en los pesos al error o discrepancia entre las predicciones del modelo y los valores reales del conjunto de entrenamiento. Utilizando estas derivadas, se actualizan gradualmente los pesos en la dirección que minimiza el error en las predicciones del modelo.

El algoritmo de backpropagation funciona en tres etapas:

Paso hacia adelante (Forward Pass): Durante el entrenamiento, se presenta un lote de datos de entrenamiento a la red y se calcula la salida predicha para cada muestra. Esto implica propagar la entrada hacia adelante a través de la red neuronal, aplicando las operaciones de suma ponderada y funciones de activación en cada capa para generar la salida.

Cálculo del error (Loss Calculation): Después de obtener las salidas predichas, se calcula la función de pérdida o función de costo que mide la discrepancia entre las predicciones del modelo y los valores reales de los datos de entrenamiento. Esta función representa qué tan bien está funcionando el modelo y es crucial para ajustar los pesos durante el entrenamiento.

Paso hacia atrás (Backward Pass): En esta etapa, se calculan las derivadas parciales de la función de pérdida con respecto a los pesos de la red, utilizando el método del gradiente descendente. Estas derivadas indican cómo los cambios en los pesos afectan el error del modelo. Luego, los pesos se ajustan en dirección opuesta al gradiente, lo que permite minimizar el error y mejorar el rendimiento del modelo.

El proceso de forward pass y backward pass se repite varias veces durante el entrenamiento, en cada iteración o época, hasta que el modelo alcanza un nivel aceptable de precisión y generalización en los datos de entrenamiento.

El backpropagation ha sido fundamental en el avance del deep learning y ha permitido entrenar modelos complejos con una gran cantidad de parámetros, lo que ha impulsado los impresionantes avances en diversas aplicaciones, como reconocimiento de imágenes, procesamiento de lenguaje natural, entre otros.

¿Qué es y cómo funciona el deep learning?

• Se encarga de las redes neuronales multi-capa
• Son algoritmos que imitan el funcionamiento del cerebro
• Responsables de los avances tecnológico-científicos más importantes de los últimos tiempos
• Tienen universalidad, pudiendo imitar cualquier función: natural o artificial
• Las neuronas consisten de entradas y pesos
• Cada peso se multiplica por las entradas para dar el resultado
• Poniendo muchas neuronas en paralelo, da lugar a la red neuronal mono-capa
• Finalmente cuando cada capa obtiene la información de una capa anterior, tenemos la multi-capa
• Las redes multi-capa condensan la información hasta llegar a insights muy específicos

si el problema es relativamente sencillo y se pueden identificar claramente las características relevantes para la predicción, el machine learning es una opción más simple y efectiva. El deep learning se suele utilizar en problemas más complejos que involucran datos no estructurados o en tareas de procesamiento de imágenes o texto donde el aprendizaje jerárquico es crucial.

Esta explicación estuvo sensacional!! Me está animando mucho a seguir aprendiendo sobre lenguajes de programación

Deep Learning se encarga de las redes neuronales multicapas. Se puede crear con Phyton, Jax, etc.

Deep Learning; Algoritmo que puede imitar el funcionamiento de nuestro cerebro. Chatgpt, DALLE, etc. Redes neuronales, pueden imitar cualquier función. Se alimenta en capas. Aprenden a medida que reciben nuevos datos.

El Deep Learning es una subrama del machine learning que se encarga de la creación de redes neuronales multicapas interconectadas entre sí, cuya función es el aprendizaje aumatico requiriendo grandes conjuntos de datos con un entrenamiento de modelado, siendo muy util para diversas funciones en diferentes campos.

Gran explicación del tema y se nota el dominio del profesor

El deep learning es una subrama del aprendizaje automático🤖 que se enfoca en el uso de redes neuronales profundas para aprender patrones complejos a partir de grandes conjuntos de datos. Se necesitan grandes cantidades de datos para entrenar los modelos de deep learning.

• Necesitan muchos datos para generara modelos buenos.

• Para crear modelos de deeplearning debemos:

1. Escoger un lenguaje: Python o Julia
2. Escoger un Framework
   3.TensorFlow
   4.Pytorch
   5.Jax

A manera de One Piece una serie de anime:

Imagina que el mundo del Deep Learning es como el Gran Line en el universo de One Piece, un vasto océano lleno de misterios y peligros. En este océano, los científicos del Deep Learning son como los piratas, navegando por el mar en busca de tesoros en forma de datos y modelos.

En el Deep Learning, como en el mundo de One Piece, hay diferentes técnicas y herramientas que los científicos pueden usar para alcanzar sus objetivos. Por ejemplo, una técnica común en el Deep Learning es el uso de redes neuronales, que podrían ser como las habilidades de lucha de los piratas en One Piece. Al igual que los piratas perfeccionan sus habilidades a medida que avanzan en su viaje, los científicos del Deep Learning perfeccionan sus redes neuronales a medida que procesan más y más datos.

Al igual que los piratas tienen que enfrentarse a enemigos poderosos y peligrosos, los científicos del Deep Learning también tienen que lidiar con desafíos como la falta de datos de calidad, el sobreajuste y la selección de hiperparámetros adecuados. Pero al igual que los piratas tienen una tripulación que los ayuda en su viaje, los científicos del Deep Learning también tienen la ayuda de otros científicos y la comunidad en líneas.

De acuerdo con ChatGPT las redes neuronales son:

Un tipo de algoritmo de aprendizaje automático que imita el funcionamiento del cerebro humano para procesar información y realizar tareas. Están compuestas por capas de nodos o neuronas artificiales interconectadas que se encargan de realizar cálculos y tomar decisiones.

Cada neurona recibe entradas desde las neuronas de la capa anterior y procesa esa información, emitiendo una salida que se convierte en entrada para las neuronas de la siguiente capa. De esta manera, la información se va procesando y refinando en cada capa hasta llegar a la capa de salida, donde se produce el resultado final.

El proceso de entrenamiento de una red neuronal implica la alimentación de un conjunto de datos de entrada y los resultados esperados, lo que permite ajustar los pesos y conexiones entre las neuronas para mejorar la precisión del modelo. Una vez entrenada, la red neuronal es capaz de generalizar y aplicar ese conocimiento a nuevos datos de entrada para realizar predicciones o clasificaciones.

Para crear redes neuronales puedes utilizar el lenguaje de programación Python y luego utilizar uno de sus frameworks para DL:

• TensorFlow
• Pytorch
• Jax

Resumen histórico de la evolución del Deep Learning:
https://www.algotive.ai/blog/the-history-of-artificial-intelligence-machine-learning-and-deep-learning

mira:
las ai actuales no entiende, no comprenden . son igual a nuestras computadoras…por ejemplo:
la imagen del principio “EL PERRITO DANDO LA PATITA”

ESTA MAL ESA IMAGEN…ESO NO ES UNA IMAGEN DE UN PERRITO DANDOME LA PATIT.A… LAS AI NO LO ENTIENDEN PORQUE NO LO HAN VIVIDO… NOSOTRES los humanes tenemos algo que ellas no. ev.r. experiencia de vida ela.

experiencias.
pensamientos
sentimientos.

los llegaran a tener pero falta mucho…
es como decirle a la a.i.
hazme una foto de el dicho mexicano:
“el leon cree que todos son de su condicion”

me haria una foto de mucha gente con melena o peluca de leon

eso no es lo que significa el video…
nuestras ai en este momento son a.i. bobas. al estilo de las de star trek que solo sirven para abrir y cerrar puertas…no para hacer el salto warp y hacer los calculos…

cappicci???

si seran super poderosas pero aun falta tiempo… tal vez unos 2 o 3 meses mas-… :V

PORQUE HAY ALGO LLAMADO ley de rendimientos acelerados del dr. raymond kurzweil…de kurzweil technologies… singularidad 2045.
no dire mas… hagan la tarea… busquenlo!!!

ya les di las pistas, vayan!!! 😗
uwu

• He usado ChatGPT para entender como funciona el lenguaje CSS, me llevó cinco dias hacer in bonito website sobre gamificación de idiomas.
  O sea la maquetación estética.

• Igualmente, con ChatGPT aprendí muchas cosas relacionadas con el uso de diccionarios en Javasctipt.

Tocara casarse con Pyton!!

Es increíble ver que vamos aprendiendo sobre Inteligencia Artificial y sus funciones mientras usamos inteligencia artificial para ayudarnos a comprender cómo es que funciona.

Es como el dicho, el alumno aprende y supera al maestro, en este caso el alumno es un modelo o algoritmo y el profesor es quien lo programa o le enseña, esto puede llegar a ser tan lindo y tan intimidante al mismo tiempo.

Como funciona el acondicionamiento clásico en psicología desde la perspectiva del conductismo.

El deep learning se encarga de las redes neuronales multi-capa, si tiene otra caracteristica diferente, no es deep learning

E usado la AI para crear un código en Arduino, que me controla un servo, en función de la temperatura medida de un frigorífico, a través de una NTC de 10k realice tres intentos y al tercero lo logro y funciona una maravilla.

El tema complejo en una de tantas areas es el limite…

En lo que estoy entendiendo, las maquinas con la AI estan aprendiendo a partir de los datos que vamos nosotros mismos alimentando y cada dia mas ella aprendera mas y mas. Podemos decir que actualmente es como un niño, pero que aprende a la velocidad de la luz, lo que significa que dentro de 5 años ya habra aprendido muchisimo y sera capaz de resolver miles de problema y sera capaz de imitar sentimientos y emociones, porque biologicamente no podra. Esto me recuerda a la pelicula del hombre bicentenario.

Excelente escuchar de Deep learning . Me gustaría crear modelos

Deep leerning solo es multicapa

usando keras en python para comenzar en esto de las redes neuronales