Escolar Documentos
Profissional Documentos
Cultura Documentos
DEEP LEARNING
GRUPO DE TRABAJO
CURSO: Tópicos Avanzados de Ingeniería De Software
DOCENTE: Leticia Laura Ochoa
Presentado por:
❏ Deza Veliz, David
❏ Flores Choque, Armando
❏ Rodrigo Coaquira, Edward
❏ Soncco Chuctaya, Fredy
Arequipa – 2018
I. INTRODUCCIÓN
Arquitecturas de aprendizaje profundas tales como las redes neuronales profundas , las
redes de creencias profundas y redes neuronales recurrentes han sido aplicados a campos
como la visión artificial , reconocimiento de voz , procesamiento del lenguaje natural , el
reconocimiento de audio, filtrado de red social, la traducción automática , la
bioinformática , diseño de fármacos y juegos de mesa programas , donde han producido
resultados comparables y, en algunos casos, superiores a los expertos humanos.
Los algoritmos basados en Deep Learning (como las redes feed forward) tienen en teoria la
capacidad de aproximar cualquier función. Esa propiedad teorica indica que existe una red
óptima, pero no implica que el proceso de aprendizaje sea capaz de alcanzar la configuracion
óptima.
En la práctica las redes no funcionaban bien y los algoritmos basados en Deep Learning fueron
abandonados.
II. ESTADO DEL ARTE
2017 A survey on deep Los algoritmos de aprendizaje profundo, en particular las redes
learning in medical image convolucionales, se han convertido rápidamente en una
analysis metodología de elección para analizar imágenes médicas. Este
documento revisa los principales conceptos de aprendizaje
profundo pertinentes al análisis de imágenes médicas y resume
más de 300 contribuciones al campo, la mayoría de las cuales
aparecieron en el último año. Examinamos el uso del aprendizaje
profundo para la clasificación de imágenes, detección de objetos,
segmentación, registro y otras tareas. Se proporcionan
descripciones concisas de los estudios por área de aplicación:
neuro, retina, pulmonar, patología digital, mama, cardíaca,
abdominal, musculoesquelética. Terminamos con un resumen del
estado actual de la técnica, una discusión crítica de los desafíos
abiertos y las direcciones para futuras investigaciones.
2017 Xception: Deep Learning Aqui se presenta una interpretación de los módulos de inicio en
with Depthwise convolucional. Las redes neuronales como paso intermedio.
Separable Convolutions entre la convolución regular y la separable en profundidad
operación de convolución (una convolución en profundidad
seguida de una convolución puntual). En este sentido, un
separable en profundidad convolución se puede entender como
un módulo de inicio con Un número máximo de torres. Esta
observación lleva Proponemos una novedosa red neuronal
convolucional profunda. Arquitectura inspirada en Inception,
donde los módulos Inception. Se han reemplazado con
convoluciones separables en profundidad.
Ej:
Reconocimiento de Voz.
Detección de fraude en tarjetas de crédito.
1.3.2. Aprendizaje No Supervisado:
2. Deep Learning:
2.1. Definición:
El aprendizaje profundo (también conocido como aprendizaje estructurado
profundo o aprendizaje jerárquico) es parte de una familia más amplia de métodos
de aprendizaje automático basados en representaciones de datos de aprendizaje , en
lugar de algoritmos específicos de tareas. El aprendizaje puede
ser supervisado , semi-supervisado o no supervisado .
2.2. Historia:
Se han utilizado varios nombres: Cybernetics, Connectionism, Neural
Networks.
El Deep Learning requiere grandes cantidades de datos etiquetados. Por ejemplo, para
el desarrollo de un vehículo sin conductor se necesitan millones de imágenes y miles
de horas de vídeo.
El Deep Learning requiere una potencia de cálculo significativa. Las GPU de alto
rendimiento tienen una arquitectura paralela que resulta eficiente para el aprendizaje
profundo. En combinación con clusters o con el cálculo en la nube, esto permite a los
equipos de desarrollo reducir el tiempo necesario para el entrenamiento de una red de
aprendizaje profundo de semanas a horas o incluso menos.
Las aplicaciones de Deep Learning se utilizan en sectores tan variados como la
conducción autónoma y los dispositivos médicos.
Figura 1: Redes neuronales organizadas en capas que constan de una serie de nodos
interconectados. Las redes pueden tener decenas o cientos de capas ocultas.
Uno de los tipos más populares de redes neuronales profundas son las conocidas como
redes neuronales convolucionales (CNN o ConvNet). Una CNN convoluciona las
características aprendidas con los datos de entrada y emplea capas convolucionales
2D, lo cual hace que esta arquitectura resulte adecuada para procesar datos 2D, tales
como imágenes.
Las CNN eliminan la necesidad de una extracción de características manual, por lo que
no es necesario identificar las características utilizadas para clasificar las imágenes. La
CNN funciona mediante la extracción de características directamente de las imágenes.
Las características relevantes no se entrenan previamente; se aprenden mientras la
red se entrena con una colección de imágenes. Esta extracción de características
automatizada hace que los modelos de Deep Learning sean muy precisos para tareas
de visión artificial, tales como la clasificación de objetos.
Figura 2: Ejemplo de una red con muchas capas convolucionales. Se aplican filtros a
cada imagen de entrenamiento con distintas resoluciones, y la salida de cada imagen
convolucionada se emplea como entrada para la siguiente capa.
Otra diferencia clave es que con los algoritmos de Deep Learning la escala aumenta
con los datos, mientras que, en el caso del aprendizaje superficial, existe convergencia.
El aprendizaje superficial hace referencia a los métodos de aprendizaje automático que
llegan a un punto muerto en cierto nivel de rendimiento cuando se agregan más
ejemplos y datos de entrenamiento a la red.
Una ventaja fundamental de las redes de aprendizaje profundo es que suelen seguir
mejorando a medida que aumenta el tamaño de los datos.
Las tres formas más habituales de utilizar el aprendizaje profundo para llevar a cabo la
clasificación de objetos son las siguientes.
Para entrenar una red profunda desde cero, se recopila un conjunto de datos
etiquetados muy amplio y se diseña una arquitectura de red que aprenda las
características y el modelo. Esto resulta útil para las aplicaciones nuevas o las
aplicaciones que tendrán un número muy elevado de categorías de salida. Este
enfoque es menos común porque, debido a la gran cantidad de datos y a la velocidad
de aprendizaje, se suele tardar días o semanas en entrenar estas redes.
La transferencia del aprendizaje requiere una interfaz con los elementos internos de la
red previamente existente, de forma que se pueda modificar y mejorar de forma muy
detallada de acuerdo con la nueva tarea. MATLAB® dispone de herramientas y
funciones diseñadas para ayudarle con la transferencia del aprendizaje.
IV. CONCLUSIONES
● La propagación del Deep Learning es importante a medida que el internet de las cosas
(IoT) continúa haciéndose más penetrante, ya que la mayoría de los datos que los
seres humanos y las máquinas crean están desestructurados y no están etiquetados.
● Los casos de uso de hoy para el aprendizaje profundo incluyen todos los tipos de
aplicaciones de análisis de big data, especialmente aquellos enfocados en el
procesamiento del lenguaje natural (NLP), traducción de idiomas, diagnóstico médico,
comercio, seguridad de redes y reconocimiento de imágenes.
● El Aprendizaje Profundo es una disciplina del Aprendizaje de Máquinas con capacidad
para mejorar la Inteligencia Artificial de las máquinas con dependencia exclusivamente
de su potencia y cantidad de datos que se le dé. Cuando esas capacidades de
procesamiento se den, sus posibilidades son infinitas en cuanto a desarrollo
tecnológico, pero también muy peligrosas.
V. REFERENCIAS
1. Levine, S., Pastor, P., Krizhevsky, A., Ibarz, J., & Quillen, D. (2018). Learning hand-eye
coordination for robotic grasping with deep learning and large-scale data collection.
The International Journal of Robotics Research, 37(4-5), 421-436.
2. Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., ... &
Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical
image analysis, 42, 60-88.
3. Chollet, F. (2017). Xception: Deep learning with depth wise separable convolutions.
arXiv preprint, 1610-02357.
4. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.
5. Srivastava, Nitish, et al. "Dropout: a simple way to prevent neural networks from
overfitting." Journal of machine learning research (2014)
6. Kim, Y. “Convolutional Neural Networks for Sentence Classification”, EMNLP (2014)
7. Bahdanau et al. "Neural machine translation by jointly learning to align and translate."
ICLR (2015)
8. Gal, Y., Islam, R., Ghahramani, Z. “Deep Bayesian Active Learning with Image Data.”
ICML (2017)
9. Ronan Collobert, et al. “Natural language processing (almost) from scratch.” JMLR
(2011)
10. Kumar, Shantanu. "A Survey of Deep Learning Methods for Relation Extraction." arXiv
preprint arXiv:1705.03645 (2017)
11. Lin et al. “Neural Relation Extraction with Selective Attention over Instances” ACL
(2016)
12. Zeng, D.et al. “Relation classification via convolutional deep neural network”. COLING
(2014)