ESTUDIO DE LOS FRAMEWORKS Y

CARACTERÍSTICAS DEL APRENDIZAJE

PROFUNDO

APLICACIONES Y EJEMPLOS DE USO

AUTOR: RUBÉN BLANCO MANZANO

TUTORA: LIDIA SÁNCHEZ GONZÁLEZ
• INTELIGENCIA ARTIFICIAL

• MACHINE LEARNING
• DEEP LEARNING
• REDES NEURONALES
• DATASETS

• HARDWARE

• FRAMEWORKS

• EJEMPLOS
INTELIGENCIA ARTIFICIAL

• Subdisciplina del campo de la

Informática, que busca la creación de
máquinas que puedan imitar
comportamientos inteligentes
• Conducción autónoma, analizar
patrones, reconocer objetos o ganar
en juegos
• I.A. artificial débil
MACHINE LEARNING

• El machine learning o aprendizaje

automático es la rama del campo del a
inteligencia artificial, que busca dotar a
las máquinas de capacidad de
aprendizaje
• Uso de algoritmos para organizar datos,
reconocer patrones y para generar
salidas inteligentes sin pre-
programacion
• Se empezó a desarrollar en los años 80
DEEP LEARNING

• Es un tipo de algoritmo mas

sofisticado de machine learning,
construido a partir de las redes
neuronales
• Capaz de soportar y trabajar con big
data y funcionar como una mente
propia a través de superposición de
capas de procesamiento de datos
• Se desarrolló a partir de 2010
REDES NEURONALES

• Capaces de aprender de forma jerarquizada gracias a las capas

• La información se aprende por niveles
• En las primeras capas se aprenden conceptos muy concretos
• En las capas posteriores se usa la información obtenida
previamente para aprender conceptos mas abstractos
• Cuando mayor es el número de capas mas abstracción en la
información
• No hay límite de capas
REDES NEURONALES
DATASETS

• Conjunto de datos clasificados y etiquetados de gran tamaño para la

construcción de modelos usados en machine learning
• Uso de tablas de base de datos donde cada columna representa una
variable determinada y cada fila a una etiqueta
• Los modelos son representación estadística de la predicción. Se
entrena el modelo basado en ejemplos para luego usarlo en
predicciones reales
DATASETS
HARDWARE (GPUs)

• Aumento de potencia de computo en los últimos años en las GPU

• Velocidad de procesamiento mucho mayor frente a las CPU
• Gran ancho de banda
FRAMEWORKS
TensorFlow
• Desarrollado por Google en 2015
• Implementación de Keras
• Mucha documentación y gran
cantidad de artículos
• Soporte de GPU y CPU
• Gráficos de cálculos estáticos
PyTorch
• Desarrollado por Facebook en
2016
• Mas fácil de programar
• Soporte de GPU y CPU
• Gráfico de cálculos dinámico
FRAMEWORKS (Código)
TensorFlow PyTorch
FRAMEWORKS (Gráficos)
TensorFlow
• Es bueno para la ejecución en
distintos dispositivos (CPU/GPU)
pero mas difícil de depurar
PyTorch
• El grafico se interpreta línea a
línea a medida que se interpreta
el código. Mucho mas fácil de
depurar
FRAMEWORKS (Interés)
120

100

80

60

40

20

PyTorch TensorFlow
EJEMPLOS (Requisitos)

• Windows 10

• Git

• Anaconda3

• Python
EJEMPLOS
First Order Motion Model for Image Animation
EJEMPLOS
First Order Motion Model for Image Animation
EJEMPLOS
3D Photo Inpainting
EJEMPLOS
3D Photo Inpainting
EJEMPLOS
3D Photo Inpainting