Introducción al aprendizaje profundo
El aprendizaje profundo es una de las técnicas de aprendizaje automático mediante las cuales enseñamos / entrenamos computadoras para hacer lo que los humanos están haciendo. Por ejemplo, conducir un automóvil: el aprendizaje profundo desempeña un papel clave en la tecnología del automóvil sin conductor al permitirles identificar diferentes señales de tráfico, señales de tránsito, señales peatonales, etc. Otras áreas clave del aprendizaje profundo son el control por voz en sistemas domésticos, móviles, altavoces inalámbricos, Alexa, televisores inteligentes, etc. El aprendizaje profundo para principiantes se trata principalmente de múltiples niveles de abstracción y representación mediante los cuales el modelo de computadora aprende a realizar la clasificación de imágenes, sonidos y texto, etc. Los modelos de aprendizaje profundo logran una mejor precisión y rendimiento que los humanos en algunos modelos. . En general, estos modelos de computadora están entrenados por un gran conjunto de datos etiquetados y sin etiquetar para identificar objetos y redes neuronales que tienen múltiples capas en cada red.
¿Qué es el aprendizaje profundo?
Explicaré lo que es el aprendizaje profundo en términos simples de la siguiente manera: en general, haremos dos tareas todo el tiempo consciente o inconscientemente, es decir, categorizar lo que sentimos a través de nuestros sentidos (como sentir calor, frío, etc.) y predicción, por ejemplo, predice la temperatura futura en función de los datos de temperatura anteriores. Hacemos tareas de categorización y predicción para varios eventos o tareas en nuestra vida diaria, como a continuación:
- Sosteniendo una taza de té / agua / café, etc., que puede estar caliente o fría.
- Categorización de correo electrónico como spam / no spam.
- Categorización del tiempo de luz diurna, como el día o la noche.
- La planificación a largo plazo del futuro basada en nuestra posición actual y las cosas que tenemos, se llama predicción.
- Cada criatura en el mundo realizará estas tareas en su vida, por ejemplo, considere que los animales como el cuervo clasificarán un lugar para construir su nido o no, una abeja decidirá sobre algunos factores cuándo y dónde obtener miel, el murciélago vendrá durante la noche y duerme durante la mañana según la categorización diurna y nocturna.
Visualicemos la categorización y predicción de estas tareas y se parecerán a la imagen de abajo. Para la categorización, estamos haciendo una categorización entre gatos y perros dibujando una línea a través de puntos de datos y, en caso de predicción, dibujamos una línea a través de puntos de datos para predecir cuándo aumentará y disminuirá.
1) Categorización
- En general, para clasificar entre gatos y perros, u hombres y mujeres, no trazamos una línea en nuestros cerebros y la posición de perros y gatos es arbitraria solo con fines ilustrativos y no es necesario decir la forma en que categorizamos entre gatos y perros. Los perros en nuestro cerebro son mucho más complejos que dibujar una línea roja como la anterior.
- Clasificaremos entre dos cosas según las formas, el tamaño, la altura, el aspecto, etc. y, a veces, será difícil clasificar con estas características, como un perro pequeño con furia y un gato recién nacido, por lo que no es una categorización clara en gatos y perros.
- Una vez que somos capaces de clasificar entre gatos y perros cuando somos niños, podemos clasificar a cualquier perro o gato aunque no lo hayamos visto antes.
2) predicción
- Para la predicción basada en la línea, dibujamos a través de puntos de datos, si podemos predecir hacia dónde es más probable que vaya hacia arriba o hacia abajo.
- La curva también es una predicción para ajustar nuevos puntos de datos dentro del rango de puntos de datos existentes, es decir, qué tan cerca está el nuevo punto de datos de la curva.
- Los puntos de datos que están en color rojo en la imagen de arriba (lado derecho) son ejemplos de dentro y más allá del rango de puntos de datos existentes y la curva intenta predecir ambos.
Finalmente, tanto la categorización como la predicción de tareas finalizan en un punto similar, es decir, dibujando una línea curva desde los puntos de datos. Si somos capaces de entrenar el modelo de computadora para dibujar la línea curva en función de los puntos de datos que hemos terminado, entonces podemos extender esto para aplicarlo en diferentes modelos, como dibujar una línea curva en planos tridimensionales, etc. Lo anterior se puede lograr mediante la capacitación de un modelo con una gran cantidad de datos etiquetados y no etiquetados que se llama aprendizaje profundo.
Ejemplos de aprendizaje profundo:
Como sabemos, el aprendizaje profundo y el aprendizaje automático son subconjuntos de inteligencia artificial, pero la tecnología de aprendizaje profundo representa la próxima evolución del aprendizaje automático. Como el aprendizaje automático funcionará en base a algoritmos y programas desarrollados por humanos, mientras que el aprendizaje profundo aprende a través de un modelo de red neuronal que actúa de manera similar a los humanos y permite que la máquina o la computadora analicen los datos de manera similar a como lo hacen los humanos. Esto es posible a medida que entrenamos los modelos de redes neuronales con una gran cantidad de datos, ya que los datos son el combustible o el alimento para los modelos de redes neuronales. A continuación se presentan algunos ejemplos de aprendizaje profundo en el mundo real.
-
Visión por computador:
La visión por computadora trata con algoritmos para que las computadoras entiendan el mundo usando una imagen y datos de video y tareas tales como reconocimiento de imágenes, clasificación de imágenes, detección de objetos, segmentación de imágenes, restauración de imágenes, etc.
-
Procesamiento del habla y lenguaje natural:
El procesamiento del lenguaje natural trata con algoritmos para que las computadoras comprendan, interpreten y manipulen el lenguaje humano. Los algoritmos de PNL funcionan con texto y datos de audio y los transforman en salida de audio o texto. Usando PNL podemos hacer tareas tales como análisis de sentimientos, reconocimiento de voz, transición del lenguaje y generación de lenguaje natural, etc.
-
Vehículos autónomos:
Los modelos de aprendizaje profundo están entrenados con una gran cantidad de datos para identificar letreros de calles; algunos modelos se especializan en identificar peatones, identificar humanos, etc. para automóviles sin conductor mientras conducen.
-
Generación de texto:
Mediante el uso de modelos de aprendizaje profundo que se entrenan por idioma, gramática y tipos de textos, etc. se pueden usar para crear un nuevo texto con la ortografía y la gramática correctas de Wikipedia a Shakespeare.
-
Filtrado de imagen:
Al usar modelos de aprendizaje profundo, como agregar color a las imágenes en blanco y negro, se pueden hacer modelos de aprendizaje profundo que tomarán más tiempo si lo hacemos manualmente.
Conclusión
Finalmente, es una descripción general de la tecnología de aprendizaje profundo, sus aplicaciones en el mundo real. Espero que comprenda bien qué es el aprendizaje profundo después de leer este artículo. Como sabemos hoy, el reconocimiento de imágenes por parte de máquinas capacitadas para el aprendizaje profundo en algunos casos es mejor que los humanos, es decir, para identificar el cáncer en la sangre y los tumores en las imágenes de resonancia magnética y alphaGo de Google aprendió el juego y se entrenó para su partido 'Go' entrenando su red neuronal jugando contra él una y otra vez.
Artículos recomendados
Esta ha sido una guía de ¿Qué es el aprendizaje profundo? Aquí hemos discutido los conceptos básicos y ejemplos de aprendizaje profundo. También puede consultar los siguientes artículos:
- Carreras en Aprendizaje Profundo
- 13 preguntas útiles para la entrevista de aprendizaje profundo
- Aprendizaje supervisado vs Aprendizaje profundo
- Redes neuronales vs aprendizaje profundo
- Comparación principal de aprendizaje profundo versus aprendizaje automático