Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
DEFINICIÓN DE APRENDIZAJE AUTOMÁTICO
El Aprendizaje Automático (Machine Learning) es
una rama de la Inteligencia Artificial que estudia
mecanismos que permiten a las computadoras
“aprender” a clasificar o predecir en base a datos.
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
MACHINE LEARNING (ML) Y DEEP LEARNING (DL)
Principal diferencia entre ML y DL:
En ML, un agente externo (digamos, nosotros) debe extraer
características de los datos de entrada. En DL, los algoritmos
empleados incluyen la extracción de características.
Otras diferencias:
●
En ML es más común usar árboles de decisiones, mientras que
en DL se utilizan redes neuronales multi-capas.
●
En ML, se seleccionan manualmente las características y un
clasificador para catalogarlas. En DL, los pasos de extracción
de características y modelización son automáticos.
●
En ML hay que “guiar” a la máquina en cada fase del proceso
para que aprenda, a través de la práctica, a identificar lo que
queremos de manera automática. En DL la máquina aprende
por sí sola con cada nuevo input de información que recibe, y
además aprende de los errores para aproximarse cada vez más
rápido y mejor al resultado correcto.
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
REDES NEURONALES: IDEA GENERAL
Las redes neuronales artificiales son la “estructura fundamental” de todos los algoritmos de DL. Son sistemas
compuestos de muchos elementos simples de proceso (neuronas) operando en paralelo, cuya función está
determinada por la estructura de la red, los pesos de las conexiones, y el procesado realizado en los
elementos o nodos de cálculo. El nombre “red neuronal” está muy bien justificado y basado en la biología,
puntualmente en el funcionamiento de un sistema nervioso biológico:
Diferencias entre una red neuronal natural
(RNB) y una red neuronal artificial (RNA):
●
El cerebro biológico no tiene “capas”, y sus
neuronas no trabajan sincrónicamente como
las de una RNA.
●
Algoritmo de aprendizaje: las RNA utilizan
descenso por gradiente. No tenemos idea
cómo lo hacen las RNB.
●
Los cerebros biológicos tienen trillones de
conexiones sinápticas, mientras que las RNA
más poderosas del mundo no tienen más que
unos pocos millones.
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
REDES NEURONALES: IDEA GENERAL
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
REDES NEURONALES: IDEA GENERAL
●
Una red neuronal está compuesta de capas (es decir,
‘pilas’ de neuronas). En una red de DL, hay una capa de
neuronas de entrada (datos), una capa de neuronas de
salida, y varias capas intermedias llamadas capas
ocultas.
●
Cada capa codifica un representación simplificada de los
datos de entrada.
●
Un algoritmo de DL aprende más y más acerca de los
datos de entrada a medida que los datos pasan a través
de sucesivas capas de la red. En general este
procedimiento es “hacia adelante” (redes feedforward),
pero también hay otras posibilidades (autoencoders y
redes neuronales convolucionales).
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
TIPOS DE APRENDIZAJE
SUPERVISADO
NO SUPERVISADO Consiste en la modificación de
los pesos al comparar la
No se requieren patrones predicción del algoritmo junto
de salida deseados. a los valores de salida
deseados.
REFORZADO
Determinar qué acciones debe escoger un agente de
software en un entorno dado con el fin de maximizar alguna
noción de "recompensa" o premio acumulado.
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
APRENDIZAJE SUPERVISADO: REGRESIÓN
●
Dado un conjunto de datos (X,Y),
donde X son las inputs e Y son las
etiquetas. Aprender un mapeo de la
forma
X --> Y.
●
Predecir así Y a partir del X
correspondiente a nuevos items.
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
APRENDIZAJE SUPERVISADO: CLASIFICACIÓN
●
Dado un conjunto de datos (X,Y),
encontrar la separación óptima
entre clases, de manera que se
pueda predecir a qué clase
pertenece un nuevo item.
●
La clasificación puede ser binaria o
multi-clase.
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
APRENDIZAJE SUPERVISADO: CLASIFICACIÓN
●
Si los datos están de alguna manera “ordenados”
de alguna manera, la clasificación es más eficiente.
●
Algoritmos útiles:
Regresión logística
Support Vector Machines
Árboles de decisiones
Random forests
Redes neuronales
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
APRENDIZAJE NO SUPERVISADO
●
Dado un conunto de datos (X) sin
etiquetas, el objetivo es encontrar alguna
“estructura” en los datos.
●
Ejemplos:
Análisis de redes sociales
Segmentación de mercado
Análisis astronómicos
●
Algoritmos útiles: K-means
Clustering
Reducción de dimensiones
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
HERRAMIENTAS USUALES EN ML
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
HERRAMIENTAS USUALES EN ML
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
HERRAMIENTAS USUALES EN ML
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
HERRAMIENTAS USUALES EN ML
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
REDES NEURONALES: CÓMO, POR QUÉ Y PARA QUÉ
Actualización de los pesos al comparar
RED NEURONAL SUPERVISADA la predicción de la red con los valores
de salida deseados.
Cómo??
ESQUEMA DE TRABAJO
(MUY SIMPLIFICADO)
1) Actualizar cada vez que se presenta un nuevo dato.
Paso final
Etapa de Validación
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
REDES NEURONALES: CÓMO, POR QUÉ Y PARA QUÉ
Capacidad de etiquetar correctamente
los datos de entrenamiento (precisión).
QUÉ BUSCAMOS AL ENTRENAR
UNA RED NEURONAL Capacidad de etiquetar correctamente
un sub-conjunto de datos que no se
usaron para entrenar.
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
DEEP LEARNING: RESUMEN
GRANDES PROGRESOS
●
Que es? Extracciones de patrones a partir de datos ●
Reconocimiento de rostros
●
Cómo? Redes neuronales + optimización
●
Clasificación de imágenes
●
Reconocimiento de voz
●
Con qué? Lenguaje de programación amigable
●
Generación de voz a partir de texto
(Python) + Librerías
●
Generación de texto a partir de voz
●
Traducción automática
●
Por qué ahora? Volúmens de datos + Hardware +
●
Diagnósticos médicos
Comunidad + Herramientas + Inversión
●
Conducción autónoma
●
Asistentes digitales (chatbots)
●
Principales limitaciones? Sesgo. Necidad de
●
Sistemas de recomendación y búsqueda
muchos datos (big data). Interpretabilidad.
●
Gaming
●
Robótica inteligente
●
Desarrollos actuales? Aprendizaje con menos
●
Pronósticos
datos, arquitecturas más eficientes, aumento de la
●
Generación automática de imágenes,
capacidad de cómputo (computación cuántica). textos, música, arte.
●
Aportes a la ciencia en general
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
DEEP LEARNING: QUÉ NECESITAMOS PARA IMPLEMENTARLO
●
Lenguaje de programación potente
●
Librerías de Machine Learning
●
Conjunto de datos
●
Manipulación de gráficos
●
Operaciones matemáticas eficientes
●
Entorno de programación amigable
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023
TO BE CONTINUED...
Taller: Machine Learning para Principiantes – Galaxies Models Group Febrero 2023