Exposición conceptual de Aprendizaje Profundo Deep Learning, en donde se conocerán conceptos básicos como redes neuronales, redes neuronales profundas, así como las herramientas que se pueden usar para crear, desarrollar e implementar redes convolucionales. Se ve el ejemplo la red neuronal entrenada AlexNet, para el reconocimiento de imágenes. Universidad de la Amazonia

1. GRUPO F
FABIAN FORERO
ALDAIR MORALES
UNIVERSIDAD DE LA AMAZONIA
FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERIA AGROECOLOGICA
FLORENCIA – CAQUETÁ
2018
DEEP LEARNING

2. ¿Qué es?
Deep Learning (Aprendizaje profundo)

3. El aprendizaje profundo (Deep Learning) es una
técnica de aprendizaje automático que enseña a los
ordenadores a hacer lo que resulta natural para las
personas: aprender mediante ejemplos. El aprendizaje
profundo es una tecnología clave presente en los
vehículos sin conductor que les permite reconocer una
señal de stop o distinguir entre un peatón y una farola.
Resulta fundamental para el control mediante voz en
dispositivos tales como teléfonos, tabletas, televisores
y altavoces manos libres.
Deep Learning (Aprendizaje profundo)

4. ¿Qué se logra
adicionalmente?
Deep Learning (Aprendizaje profundo)

5. Con el aprendizaje profundo, un modelo informático
aprende a realizar tareas de clasificación directamente
a partir de imágenes, texto o sonido. Los modelos de
aprendizaje profundo pueden obtener una precisión de
vanguardia que, en ocasiones, supera el rendimiento
humano.
Deep Learning (Aprendizaje profundo)

6. ¿Porqué es
Importante el
Deep Learning?
Deep Learning (Aprendizaje profundo)

7. ¿Cómo logra el aprendizaje
profundo unos resultados
tan impresionantes?
Deep Learning (Aprendizaje profundo)

8. En una palabra: precisión. El
aprendizaje profundo alcanza unos
niveles de precisión de reconocimiento
nunca vistos. Esto contribuye a que la
electrónica de consumo satisfaga las
expectativas de los usuarios, y resulta
crucial en aplicaciones críticas para la
seguridad, tales como los vehículos sin
conductor.
Deep Learning (Aprendizaje profundo)

9. Veamos Algunos
Ejemplos de Deep
Learning en la
Práctica
Deep Learning (Aprendizaje profundo)

10. Las aplicaciones de aprendizaje
profundo se utilizan en sectores
tan variados como la conducción
autónoma y los dispositivos
médicos.
Deep Learning (Aprendizaje profundo)

11.  Conducción Automática.
 Sector aeroespacial y de defensa.
 Investigación Médica.
 Automatización Industrial.
 Electrónica (CES).
 Un cajero automático rechaza un billete
falsificado.
 Una aplicación de teléfono inteligente da una
traducción instantánea de un extranjero.
 Traducción de un Aviso mediante una
Aplicación.
Deep Learning (Aprendizaje profundo)

12. El aprendizaje profundo es especialmente
adecuado para la identificación aplicaciones
tales como reconocimiento facial, traducción
de texto, reconocimiento de voz y sistemas
avanzados de asistencia al conductor,
incluyendo, clasificación de carriles y
reconocimiento de señales de tráfico.
Deep Learning (Aprendizaje profundo)

13. Deep Learning (Aprendizaje profundo)
Fácil acceso a conjuntos masivos de datos
etiquetados.
Los conjuntos de datos como ImageNet son
libremente disponible, y son útiles para
entrenar en muchos tipos diferentes
de objetos
Aumento de la potencia de cálculo.
Las GPU de alto rendimiento aceleran el
entrenamiento de las masivas
cantidades de datos necesarios para el
aprendizaje profundo, reduciendo el
entrenamiento en
tiempo de semanas a horas.

14. Deep Learning (Aprendizaje profundo)
Modelos prediseñados construidos por expertos.
Modelos como AlexNet pueden ser entrenados para realizar nuevos
tareas de reconocimiento utilizando una técnica llamada aprendizaje de transferencia.
Mientras AlexNet fue entrenado en 1.3 millones de alta resolución
imágenes para reconocer 1000 objetos diferentes, transferencia precisa
el aprendizaje se puede lograr con conjuntos de datos mucho más pequeños.

15. ¿Cómo
Funciona Deep
Learning?
Deep Learning (Aprendizaje profundo)

16. La mayor parte de los métodos de
aprendizaje emplean arquitecturas
de redes neuronales, por lo que,
a menudo, los modelos de
aprendizaje profundo se
denominan redes neuronales
profundas.
Deep Learning (Aprendizaje profundo)

17. Los modelos de Deep Learning se
entrenan mediante el uso de
extensos conjuntos de datos
etiquetados y arquitecturas de
redes neuronales que aprenden
directamente a partir de los datos,
sin necesidad de una extracción
manual de características.
Deep Learning (Aprendizaje profundo)

18. ¿Cómo se ve la
Red Neuronal?
Deep Learning (Aprendizaje profundo)

19. Redes neuronales organizadas en capas que constan de una serie de nodos
interconectados. Las redes pueden tener decenas o cientos de capas ocultas.
Deep Learning (Aprendizaje profundo)

20. Uno de los tipos más populares de
redes neuronales profundas son
las conocidas como redes
neuronales convolucionales
(CNN o ConvNet).
Deep Learning (Aprendizaje profundo)

21. Pero ¿Qué son
estas Redes
Neuronales ?
Deep Learning (Aprendizaje profundo)

22. Una red neuronal convolucional (CNN o
ConvNet) es uno de los algoritmos más
populares para el aprendizaje profundo ,
un tipo de aprendizaje automático en el
que un modelo aprende a realizar tareas
de clasificación directamente desde
imágenes, video, texto o sonido.
Deep Learning (Aprendizaje profundo)

23. Ejemplo 
Deep Learning (Aprendizaje profundo)

24. 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.
Deep Learning (Aprendizaje profundo)

25. Diferencia entre
Machine Learning
y Deep Learning
Deep Learning (Aprendizaje profundo)

26. Deep Learning (Aprendizaje profundo)
Comparación de un enfoque de aprendizaje automático para la categorización
de vehículos (izquierda) con el aprendizaje profundo (derecha).
En el aprendizaje automático, se seleccionan manualmente las características
y un clasificador para clasificarlas. Con el aprendizaje profundo, los pasos de
extracción de características y modelización son automáticos.

27. Cómo crear y
entrenar modelos
de aprendizaje
profundo
Deep Learning (Aprendizaje profundo)

28.  Entrenamiento desde Cero.
 Transferencia del Aprendizaje
(AlexNet).
 Extracción de las Características
(SVM).
Deep Learning (Aprendizaje profundo)

29. Aplicaciones de
Deep Learning
Deep Learning (Aprendizaje profundo)

30. Es posible utilizar modelos de redes
neuronales profundas previamente
entrenados para aplicar con rapidez el
aprendizaje profundo a sus problemas
gracias al aprendizaje por transferencia o
la extracción de características.
Deep Learning (Aprendizaje profundo)

31. Deep Learning (Aprendizaje profundo)
Uso de AlexNet para reconocer objetos con la webcam

32. Deep Learning (Aprendizaje profundo)
Uso de AlexNet para reconocer objetos con la webcam

33. 1. Deep Learning: https://la.mathworks.com/discovery/deep-learning.html
2. Webcam Deep Learning: https://la.mathworks.com/matlabcentral/fileexchange/60659-deep-
learning-in-11-lines-of-matlab-code
3. Objects Deep Learning: https://la.mathworks.com/help/vision/examples/object-detection-using-
deep-learning.html
4. Redes Convolucionadas: https://la.mathworks.com/solutions/deep-learning/convolutional-neural-
network.html
5. Matlab para Deep Learning: https://la.mathworks.com/solutions/deep-learning.html
6. Libro PDF: https://la.mathworks.com/content/dam/mathworks/tag-
team/Objects/d/80879v00_Deep_Learning_ebook.pdf
BIBLIOGRAFÍA y REFERENCIAS DE LA WEB

34. EL IMPUESTO PREDIAL
Y pos ya, terminamos 