Redes Neuronales Convolucionales (CNN)
Aprendizaje profundo
El Deep Learning está basado en redes Neuronales Artificiales, con intención de imitar el
cerebro humano, que pueden aprender sin que sean programados explícitamente desde
grandes cantidades de datos.
Nos vamos a basar en las Redes Neuronales Convolucionales (CNN), tratan el
reconocimiento de imágenes….
Usos:
- Entrenamiento desde cero: Diseñar y entrenar nuestra red para resolver el
problema. Se requieren grandes cantidades de datos para el entrenamiento.
- Transferencia de aprendizaje: Partiendo de un modelo pre-entrenado, adaptarlo
para resolver nuestro problema con relativamente “pocos” datos etiquetados
- Extracción de características para Aprendizaje Automático: Utilizamos redes
preentrenadas para preprocesar nuestros datos extrayendo las activaciones que
estos usarían para clasificar nuestros datos. Las activaciones se utilizan para
entrenar los modelos clásicos de Aprendizaje Automático.
Aprendizaje Automático vs. Aprendizaje Profundo
Se pueden añadir características de interés en base al conocimiento personal.
No siempre es fácil entender por qué la red está clasificando una imagen en uno u otro
grupo.
Aprendizaje Profundo
Puede lidiar con datos estructurados y no estructurados (tabular imágenes, texto…).
No hace falta extraer características.
Alto rendimiento, alto tamaño de la red y alta cantidad de datos.
1
, Aprendizaje Automático
Interpretabilidad
Más rápido de entrenar
Menos capacidad computacional requerida
Mejor funcionamiento (muchas veces) en conjuntos de datos pequeños
Criterio de selección:
- Capacidad computacional disponible
- Cantidad de datos disponibles
- Interpretabilidad requerida
- Tipo / dimensionalidad /complejidad de los datos (patrones complejos en imágenes,
NLP, audio, datos secuenciales data)
La Neurona
El perceptrón
Limitaciones: al basarse en un modelo de regresión lineal, solo pueden resolver problemas
linealmente separables. Ninguna línea de regresión por sí sola es capaz de resolver el
problema, por eso hay que combinarlos (combinar perceptrones).
Necesitamos añadir no-linealidad al modelo.
Funciones de activación
● Función escalón: no es óptimo para el aprendizaje
2
The benefits of buying summaries with Stuvia:
Guaranteed quality through customer reviews
Stuvia customers have reviewed more than 700,000 summaries. This how you know that you are buying the best documents.
Quick and easy check-out
You can quickly pay through credit card or Stuvia-credit for the summaries. There is no membership needed.
Focus on what matters
Your fellow students write the study notes themselves, which is why the documents are always reliable and up-to-date. This ensures you quickly get to the core!
Frequently asked questions
What do I get when I buy this document?
You get a PDF, available immediately after your purchase. The purchased document is accessible anytime, anywhere and indefinitely through your profile.
Satisfaction guarantee: how does it work?
Our satisfaction guarantee ensures that you always find a study document that suits you well. You fill out a form, and our customer service team takes care of the rest.
Who am I buying these notes from?
Stuvia is a marketplace, so you are not buying this document from us, but from seller nereazuaznabar. Stuvia facilitates payment to the seller.
Will I be stuck with a subscription?
No, you only buy these notes for $5.76. You're not tied to anything after your purchase.
