Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Diapo 1
No existe una nica definicin de aprendizaje profundo.
En general se basa en un montn de tcnicas que ya existan con anterioridad, dichas
tcnicas son los algoritmo basados en aprender representaciones de datos; los cuales
pertenecen al aprendizaje automtico (machine learning).
A partir de este punto comn, diferentes publicaciones se centran en un conjunto de
caractersticas diferentes, por ejemplo:
Diapo 2
Una observacin (por ejemplo, una imagen) puede ser representada en muchas formas
(por ejemplo, un vector de pxeles), pero algunas representaciones hacen ms fcil
aprender tareas de inters (por ejemplo, es esta imagen una cara humana?) en base a
ejemplos, y la investigacin en esta rea intenta definir cules representaciones son
mejores y cmo crear modelos para aprender estas representaciones.
Varias arquitecturas de aprendizaje profundo, como redes neuronales profundas, redes
neuronales profundas convolucionales, y redes de creencia profundas, han sido
aplicadas a campos como visin por computador, reconocimiento automtico del habla,
y reconocimiento de seales de audio y msica, y han mostrado producir resultados de
vanguardia en varias tareas.
Diapo 3 , 4 ,5
imaginmonos que utilizamos las imgenes de dgitos escritos a mano de la base de
datos MNIST. Esta base de datos contiene dgitos como los mostrados a
continuacin:
Como se puede apreciar en la imagen, los parches que activan al mximo cada
neurona de la capa oculta representan caractersticas fundamentales de los dgitos,
como esquinas, lneas con distintos ngulos, algunas curvas, e incluso algunos
crculos (probablemente para los ochos).
Para entrenar el auto-codificador se utiliz solamente la tcnica de aadir ruido en
la entrada, concretamente pxeles negros con una probabilidad del 20%.
Como os podis imaginar, una vez entrenado un auto-codificador, la segunda mitad
de la red se puede descartar, normalmente nos interesa slo la parte que codifica.
Apilando auto-codificadores
Alternativas
Los auto-codificadores no son el nico mecanismo para realizar Deep
Learning. Existen otras alternativas, como las Deep Belief Networks. Estas
consisten tambin en una serie de capas entrenadas una a una, de la ms especfica
a la ms genrica, pero cada capa en lugar de un auto-codificador, utiliza
una Restricted Boltzmann Machine. La idea general es la misma, slo cambian
algunos ladrillos.