Entrenar ... entrenar :muscle:.

¿Qué es el aprendizaje profundo?
Sumérgete en el fascinante mundo del aprendizaje profundo, una tecnología revolucionaria que ha transformado el campo del aprendizaje automático. El aprendizaje profundo son redes neuronales avanzadas que superan las limitaciones del perceptrón único, permitiendo resolver problemas mucho más complejos gracias al uso de múltiples capas de neuronas interconectadas. Aquí te explicamos por qué esta técnica es un avance significativo en la inteligencia artificial.
¿Cómo funciona un perceptrón sencillo?
Un perceptrón, el componente básico de una red neuronal, cuenta con tres partes principales: entradas, un proceso central y salidas. Mediante operaciones matemáticas, un perceptrón ajusta los pesos de estas entradas para simular un comportamiento. Sin embargo, está limitado a discriminaciones lineales, lo cual significa que solo puede separar datos mediante una línea recta. Esto impide que el perceptrón sencillo resuelva problemas más complejos, como una compuerta lógica XOR, que requiere al menos dos líneas para separar los datos.
¿Por qué son necesarias las capas ocultas?
Para superar las limitaciones del perceptrón sencillo, se añaden capas ocultas a la red neuronal. Estas capas, compuestas por múltiples perceptrones, permiten realizar discriminaciones más complejas. Al incluir una capa adicional con neuronas, se habilita la capacidad de modelar problemas que no pueden resolverse mediante una separación lineal simple, expandiendo así el alcance de lo que las redes neuronales pueden lograr.
¿Cómo aprenden las redes neuronales?
El aprendizaje en redes neuronales emula el proceso humano de ensayo y error. Este proceso abarca varias etapas:
Este proceso se repite hasta que el error sea mínimo, afinando el perceptrón para mejorar su precisión en la predicción de nuevas entradas.
¿Qué papel juega el algoritmo de descenso del gradiente?
El algoritmo de descenso del gradiente es crucial para optimizar una red neuronal, ayudando a reducir el error al ajustar los pesos. El objetivo es encontrar el mínimo de la función de costo, mejorando la precisión de la red en cada iteración hasta alcanzar el grado óptimo de predicción.
¿Cuáles son las ventajas de las redes neuronales profundas?
Las redes neuronales profundas ofrecen numerosas ventajas que han impulsado su popularidad:
¿Por qué es importante la supervisión humana?
Aunque las redes neuronales pueden ejecutar tareas complejas con una intervención mínima, la supervisión humana es esencial para asegurar que los objetivos se cumplan correctamente. Un caso ilustrativo es un algoritmo diseñado para ganar un juego acumulando puntos, que utilizó una estrategia subóptima de chocar repetidamente y consumir elementos en pantalla, logrando puntos pero sin terminar la carrera. Este ejemplo revela la necesidad de intervención humana para evitar que las máquinas persigan objetivos de manera contraria a las expectativas.
Con estos conocimientos, estarás mejor preparado para entender el aprendizaje profundo y su impacto en el mundo tecnológico actual. ¡Sigue explorando y profundizando en este emocionante campo de la inteligencia artificial!
Sumérgete en el fascinante mundo del aprendizaje profundo, una tecnología revolucionaria que ha transformado el campo del aprendizaje automático. El aprendizaje profundo son redes neuronales avanzadas que superan las limitaciones del perceptrón único, permitiendo resolver problemas mucho más complejos gracias al uso de múltiples capas de neuronas interconectadas. Aquí te explicamos por qué esta técnica es un avance significativo en la inteligencia artificial.
Un perceptrón, el componente básico de una red neuronal, cuenta con tres partes principales: entradas, un proceso central y salidas. Mediante operaciones matemáticas, un perceptrón ajusta los pesos de estas entradas para simular un comportamiento. Sin embargo, está limitado a discriminaciones lineales, lo cual significa que solo puede separar datos mediante una línea recta. Esto impide que el perceptrón sencillo resuelva problemas más complejos, como una compuerta lógica XOR, que requiere al menos dos líneas para separar los datos.
Para superar las limitaciones del perceptrón sencillo, se añaden capas ocultas a la red neuronal. Estas capas, compuestas por múltiples perceptrones, permiten realizar discriminaciones más complejas. Al incluir una capa adicional con neuronas, se habilita la capacidad de modelar problemas que no pueden resolverse mediante una separación lineal simple, expandiendo así el alcance de lo que las redes neuronales pueden lograr.
El aprendizaje en redes neuronales emula el proceso humano de ensayo y error. Este proceso abarca varias etapas:
Este proceso se repite hasta que el error sea mínimo, afinando el perceptrón para mejorar su precisión en la predicción de nuevas entradas.
El algoritmo de descenso del gradiente es crucial para optimizar una red neuronal, ayudando a reducir el error al ajustar los pesos. El objetivo es encontrar el mínimo de la función de costo, mejorando la precisión de la red en cada iteración hasta alcanzar el grado óptimo de predicción.
Las redes neuronales profundas ofrecen numerosas ventajas que han impulsado su popularidad:
Aunque las redes neuronales pueden ejecutar tareas complejas con una intervención mínima, la supervisión humana es esencial para asegurar que los objetivos se cumplan correctamente. Un caso ilustrativo es un algoritmo diseñado para ganar un juego acumulando puntos, que utilizó una estrategia subóptima de chocar repetidamente y consumir elementos en pantalla, logrando puntos pero sin terminar la carrera. Este ejemplo revela la necesidad de intervención humana para evitar que las máquinas persigan objetivos de manera contraria a las expectativas.
Con estos conocimientos, estarás mejor preparado para entender el aprendizaje profundo y su impacto en el mundo tecnológico actual. ¡Sigue explorando y profundizando en este emocionante campo de la inteligencia artificial!
Entrenar ... entrenar :muscle:.

El perceptrón sencillo (con una sola neurona artificial), solo se puede usar en problemas que usen como referencia la representación de una sola línea en el plano, para discrimar un area de otra, como es el caso de los operadores lógicos AND y OR.
Pero cuando la operación o el proceso requiere más de una línea (o una línea curva o zona de estudio), es necesario considerar el uso de redes más complejas.

Entrenamiento
¿Alguno que sepa de IA, me podria explicar que deberia buscar para entender mejor estos conceptos? Se me dificulta un poco.
Descenso del Gradiente:
Es el algoritmo que nos permitia optimizar nuestra red neuronal para tener el menor error posible. Y lo que utiliza es la optimizacion de una curva donde queremos llegar al punto rojo partiendo desde el punto verde.
Este algoritmo de Descenso del Gradiente lo que hara es hice acercando progresivamente a ese punto minimo hasta tener una total optimizacion de cada una de las neuronas que componen la red neuronal.

Backpropagation
Redes Neuronales Profundas
Lo que hace es aumentar el numero de capas y el numero de neuronas, de tal manera que pueda interpretar patrones cada vez mas complejos.

Proceso de Backpropagation: Donde una vez que yo se que el resultado no fue el correcto, voy hacia atras y ajusto cada una de las casas y cada uno de los weights que estan en esas capas.

Weight: (No lo traduzco para que nos acostumbremos al idioma). Es un parámetro dentro de una red neuronal que transforma datos de entrada dentro de las capas ocultas de la red.
Link (English)
Julio J Yépez
Hecot Pulido
Alejandro Santamaria
Julio J Yépez
Alejandro Santamaria
Julio J Yépez
José Alberto Ortiz Vargas
Jesus Daniel Castro Flores
Sergio Correa Lopez
Luis Mojica
ProfesorJosé Alberto Ortiz Vargas
Carlos Bustillo
ProfesorJosé Alberto Ortiz Vargas
José Alberto Ortiz Vargas
José Alberto Ortiz Vargas
Enmanuel Castillo
Sergio Rubiano
RICARDO CASTRILLON RAMIREZ
Kike Vanegas
Jean Pierre Sulluchuco Valentin
Alondra Castro
Carlos Daniel Pimentel Díaz
Yilber Rojas
Jony Caleb Hurtado Ramos
Daniel Campo Muñoz
Entrenar ... entrenar :muscle:.
Cada que veo la cantidad de parametros de GPT-2 quiero llorar
:D si el número de parámetros de GPT-2 se les hacía excesivo, GPT-3 tiene 175 billones (100 veces más que GPT-2)
El perceptrón sencillo (con una sola neurona artificial), solo se puede usar en problemas que usen como referencia la representación de una sola línea en el plano, para discrimar un area de otra, como es el caso de los operadores lógicos AND y OR.
Pero cuando la operación o el proceso requiere más de una línea (o una línea curva o zona de estudio), es necesario considerar el uso de redes más complejas.
Excelente representación 😥
Entrenamiento
¿Alguno que sepa de IA, me podria explicar que deberia buscar para entender mejor estos conceptos? Se me dificulta un poco.
te recomiendo estos videos:
Hola @scorrea, ojalá no te moleste que incruste los videos que compartes. La pregunta me interesa y tu respuesta también.
@youtube
@youtube
Descenso del Gradiente:
Es el algoritmo que nos permitia optimizar nuestra red neuronal para tener el menor error posible. Y lo que utiliza es la optimizacion de una curva donde queremos llegar al punto rojo partiendo desde el punto verde.
Este algoritmo de Descenso del Gradiente lo que hara es hice acercando progresivamente a ese punto minimo hasta tener una total optimizacion de cada una de las neuronas que componen la red neuronal.
Pronto saldrá un curso en Platzi sobre el Descenso por gradiente.
Backpropagation
Redes Neuronales Profundas
Lo que hace es aumentar el numero de capas y el numero de neuronas, de tal manera que pueda interpretar patrones cada vez mas complejos.
Proceso de Backpropagation: Donde una vez que yo se que el resultado no fue el correcto, voy hacia atras y ajusto cada una de las casas y cada uno de los weights que estan en esas capas.
Weight: (No lo traduzco para que nos acostumbremos al idioma). Es un parámetro dentro de una red neuronal que transforma datos de entrada dentro de las capas ocultas de la red.
Link (English)
Buena clase.
QUE INTERESANTE VER el proceso de backpropagation , para ajustar los pesos y las capas de los pesos.
Maravilloso este curso.
Muy emocionante !
D:
En esta clase se tocaron temas importantes para entender una Red Neuronal como el Algoritmo de Backpropagation y el Descenso del Gradiente. Para entender más a fondo estos temas recomiendo los siguientes cursos en Platzi: Curso de Redes Neuronales y Backpropagation 2017 Curso de Introducción al Deep Learning Curso de Deep Learning con Pytorch
Además está el canal DotCSV que ya muchos conocen y que trata temas sobre IA:
En las redes neuronales por convolución una operación que hacen las capas es aprender los filtros. Esos filtros lo que hacen es extraer características. Ejemplo como calcular la salida de un filtro. Tenemos una imagen de 28x28 y le aplicamos un filtro de 3x3 y queremos saber el resultado de esa operación de convolución. Tenemos nxn = 28x28 filtro 3x3 entonces: 28 - 3+1 =26; 28-3+1=26 A la salida tendremos una matriz de 26x26.
Otro ejemplo tenemos una imagen de 6x6 y le aplicamos un filtro de 3x3 el resultado de esta convolución será:
6 - 3 +1 =4 ; 6-3+1=4 El resultado de esa operación será una matriz será 4x4
A entrenar. Excelente clase de TF
Excelente clase