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
Los beneficios de comprar resúmenes en Stuvia estan en línea:
Garantiza la calidad de los comentarios
Compradores de Stuvia evaluaron más de 700.000 resúmenes. Así estas seguro que compras los mejores documentos!
Compra fácil y rápido
Puedes pagar rápidamente y en una vez con iDeal, tarjeta de crédito o con tu crédito de Stuvia. Sin tener que hacerte miembro.
Enfócate en lo más importante
Tus compañeros escriben los resúmenes. Por eso tienes la seguridad que tienes un resumen actual y confiable.
Así llegas a la conclusión rapidamente!
Preguntas frecuentes
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.
100% de satisfacción garantizada: ¿Cómo funciona?
Nuestra garantía de satisfacción le asegura que siempre encontrará un documento de estudio a tu medida. Tu rellenas un formulario y nuestro equipo de atención al cliente se encarga del resto.
Who am I buying this summary 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 this summary for 5,29 €. You're not tied to anything after your purchase.
