Introducción al aprendizaje profundo

Objetivos de aprendizaje

• ¿Qué y por qué Deep Learning?
• Aprendizaje automático frente a aprendizaje profundo
• Aplicaciones de aprendizaje profundo
• Marcos de aprendizaje profundo

Algunas aplicaciones geniales de aprendizaje profundo

pájaro volador

• ¡Abajo, vemos a un agente de aprendizaje profundo jugando a Flappy Bird!
• El agente puede jugar sin que le den ninguna información sobre la estructura o las reglas del juego.
• Descubre automáticamente las reglas del juego al determinar qué tan bien lo hizo cada vez. Este enfoque se llama aprendizaje de refuerzo profundo.

Aumentar los píxeles de una imagen borrosa

• Aumente la resolución de una imagen borrosa a través del aprendizaje profundo.

Red de labios

• Lectura de labios realizada con mayor precisión que los humanos.

¿Por qué el aprendizaje profundo?

• Los algoritmos de aprendizaje automático más antiguos normalmente se estabilizan (se vuelven constantes) en el rendimiento después de alcanzar un umbral de datos.
• El aprendizaje profundo es un algoritmo único en su tipo cuyo rendimiento continúa mejorando porque cuanto más se alimentan los datos, más se entrena el clasificador, lo que da como resultado un rendimiento superior a los modelos/algoritmos tradicionales.

Aprendizaje profundo: una analogía

Mira cómo un niño aprende el lenguaje:

Le muestras una manzana a un niño y le dices: "esto es una manzana". Cuando lo repites 20 veces, se establece una conexión en su cerebro y ahora puede reconocer manzanas. Lo importante está al principio, no se pueden diferenciar pequeños detalles. Una pelota pequeña en tu mano será una manzana porque sigue el mismo patrón (pequeña, redonda, roja/verde). Sólo una manzana está enraizada en un pequeño cerebro. El niño señala un objeto y dice 'manzana'. El padre del niño responde de inmediato: 'Correcto' o 'No, eso es una pelota'.

Después de suficiente retroalimentación, el niño eventualmente forma un modelo mental interno de cómo etiquetar diferentes objetos en el mundo.

¿Qué es el aprendizaje profundo?

Un algoritmo de aprendizaje profundo puede aprender patrones ocultos solo a partir de los datos (sin supervisión humana), combinarlos y crear reglas de decisión mucho más eficientes.

Ahora bien, ¿qué significa aprender patrones ocultos? Tomando el mismo ejemplo de la manzana, significa que:

• Un modelo de aprendizaje profundo primero identifica las características de bajo nivel como los bordes de una manzana
• Luego comprende lentamente las características más complejas como el cuerpo y el tallo.
• Finalmente, combina todos los aprendizajes y aprende las formas, colores y otras características que se pueden utilizar para identificar una manzana.

Cuanto más avance en él, más complejas serán las características que puede reconocer.

Aprendizaje automático frente a aprendizaje profundo

En términos prácticos, el aprendizaje profundo es solo un subconjunto del aprendizaje automático.

Técnicamente, el aprendizaje profundo es lo mismo que el aprendizaje automático y funciona de manera similar (por lo tanto, los términos a veces se intercambian libremente). Sin embargo, sus capacidades son diferentes.

Si ha trabajado con Machine Learning en el pasado, es posible que haya oído hablar de Feature Extraction. ¿Qué es?

Extracción de características significa extraer las características útiles de un conjunto de datos. Por ejemplo, el tallo y el cuerpo de una manzana son características que nos ayudan a reconocerla.

• En las técnicas tradicionales de aprendizaje automático, la mayoría de las características deben ser identificadas por un experto en el dominio para reducir la complejidad de los datos y hacer que los patrones sean más visibles para que funcionen los algoritmos de aprendizaje.
  Desafortunadamente, la extracción de características es un componente separado y, a menudo, manual en la tubería de aprendizaje automático y requiere mucho tiempo.
• La mayor ventaja de los algoritmos de aprendizaje profundo es que intentan aprender características de los datos de forma incremental. Como se discutió, el modelo primero aprenderá los constituyentes básicos/características de bajo nivel antes de pasar a los de alto nivel, es decir, ¡aprende por SÍ MISMO!

Esto elimina la necesidad de experiencia en el dominio para realizar la extracción de características.

Echa un vistazo a la siguiente figura para entender esto mejor.

¿Por qué el aprendizaje profundo es tan popular?

En 2012, las redes neuronales profundas comenzaron a superar a los algoritmos de clasificación tradicionales, incluidos los algoritmos de aprendizaje automático.

Esto se debió principalmente al mayor rendimiento de los procesadores de computadora (CPU y GPU) y medios de almacenamiento más grandes para retener conjuntos de datos de entrenamiento masivos. Desde entonces, cada año, el aprendizaje profundo ha mejorado, convirtiéndose en lo último en tecnología para resolver problemas en muchos dominios diferentes. Esta explosión en el aprendizaje profundo se debe en gran medida a las mejoras en el hardware y los conjuntos de datos etiquetados masivos que permiten que los modelos de aprendizaje profundo mejoren rápidamente con el tiempo.

Tendencia de Google para la palabra clave "Deep Learning":

Aplicaciones de aprendizaje profundo en la vida diaria

Redes sociales

Una de las aplicaciones más comunes de Deep Learning son las sugerencias automáticas de etiquetado de amigos en Facebook o cualquier otra plataforma de redes sociales.

Facebook utiliza la detección de rostros y el reconocimiento de imágenes para buscar y hacer coincidir automáticamente el rostro de una persona en su base de datos y, por lo tanto, sugiere etiquetar a esa persona según DeepFace.

Asistentes personales virtuales

¿Alguna vez has pensado en lo que se esconde detrás del funcionamiento de Google Assistant, Siri o Alexa?

Como sugiere el nombre, los asistentes personales virtuales ayudan a encontrar información útil cuando se les solicita por mensaje de texto o voz. Todo lo que necesita hacer es hacer una pregunta simple como "¿Cuál es mi horario para mañana?" o "Muéstrame mis próximos vuelos".

Recientemente, los asistentes personales se están utilizando en Chatbots, que se están implementando en varias aplicaciones de pedido de alimentos, sitios web de capacitación en línea y también en aplicaciones de transporte. Incluso se utiliza con fines comerciales.

Cuidado de la salud

El aprendizaje profundo permite que la industria de la salud analice datos a velocidades excepcionales sin comprometer la precisión.

La tecnología se ha aplicado en varias otras áreas a lo largo de los años. Estos incluyen chatbots impulsados ​​​​por IA que pueden identificar patrones en los síntomas del paciente, algoritmos de aprendizaje profundo diseñados para identificar cánceres específicos, patologías y la identificación de enfermedades raras.

Dentro de cada una de estas áreas, el aprendizaje profundo juega un papel fundamental al brindar a los profesionales médicos conocimientos que les permitan identificar problemas de manera temprana y brindar atención al paciente altamente personalizada y relevante.

Otras aplicaciones

Además de las que acaba de ver, la cantidad de aplicaciones de aprendizaje profundo en nuestra vida diaria es inmensa.

¿Se te ocurren más aplicaciones de este tipo?

Agréguelos aquí.

Marcos de aprendizaje profundo

Tanto TensorFlow como PyTorch tienen sus ventajas como plataformas iniciales para ingresar a la programación de redes neuronales.

Tradicionalmente, los investigadores y los entusiastas de Python han preferido PyTorch, mientras que TensorFlow ha sido durante mucho tiempo la opción favorita para crear modelos de aprendizaje profundo a gran escala para su uso en producción. Sin embargo, en los últimos lanzamientos, las dos bibliotecas convergen hacia un perfil similar. Siempre que se ciña a TensorFlow o PyTorch como marco de aprendizaje profundo, no puede hacer nada malo.

Enlace de descarga de diapositivas: Puedes descargar las diapositivas aquí.

Eso es todo por el día. ¡Gracias!

Siéntase libre de publicar cualquier consulta en nuestro Discord Server o [Discuss](https://discuss.dphi.tech/t/day-1-introduction-to-deep- aprendizaje/685).