Este documento presenta una introducción a las redes neuronales artificiales. Explica brevemente qué son las redes neuronales, los tipos principales (redes neuronales artificiales, redes neuronales recurrentes y redes neuronales convolucionales), y ofrece ejemplos de su aplicación en áreas como la tasación de propiedades, la traducción automática y el reconocimiento de imágenes. También discute los beneficios que pueden aportar estas técnicas a las empresas y proporciona recursos para aquellos interesados en aprender más sobre el tema.
2. SlashFriday
Índice
Historia
¿Qué son las redes neuronales?
¿Qué tipos de redes neuronales artificiales hay?
Casos de uso
¿Qué pueden aportar al negocio?
¿Cómo empiezo?
Dudas y preguntas
7. ¿Qué son las redes neuronales?
Neuronas reales:
Dendritas: reciben
la información
Núcleo de la
neurona: procesa
la información
Axón: envía la
información
Neurona real vs.
neurona artificial
8. ¿Qué son las redes neuronales?
Una red neuronal se
divide en capas:
- capa de entrada
- capas ocultas o
intermedias
- capa de salida
¿Cómo funcionan?
12. Casos de uso
Artificial neural network (ANN)
Tasación de casas: determinar cuánto
vale una casa en función de sus
características. Por ejemplo: número de
habitaciones, proximidad al centro de la
ciudad, cercanía a transporte público,
etc.
13. Casos de uso
Artificial neural network (ANN)
Predecir gustos de un usuario: saber
qué producto es propenso a comprar un
usuario con ciertas características
conociendo las de los usuarios que han
realizado compras anteriormente.
14. Casos de uso
Recurrent Neural Network (RNN)
Traducción de texto: obtener texto en un lenguaje a partir de un texto escrito
en otro.
15. Casos de uso
Recurrent Neural Network (RNN)
Predicción de tendencias: determinar la evolución de una determinada
tendencia a partir de su historial reciente. Un ejemplo muy claro es la
evolución financiera.
16. Casos de uso
Recurrent Neural Network (RNN)
Reconocimiento de voz: obtener texto a
partir de audio realizado por un usuario.
17. Casos de uso
Convolutional Neural Network (CNN)
Reconocimiento de imágenes: a partir
de una imagen, saber de qué concepto
real se trata.
18. Casos de uso
Convolutional Neural Network
(CNN)
Clasificación de comentarios: a partir
de un comentario de un usuario, saber si
es positivo o negativo.
19. Casos de uso
Convolutional Neural Network
(CNN)
Identificación/prevención de
enfermedades: a partir de pruebas
médicas, diagnosticar si una persona es
propensa a sufrir una enfermedad o
detectar si está sufriendo una.
22. ¿Qué pueden aportar al negocio?
Cantidad masiva de datos
Estandarización de las redes
neuronales
Capilarización en las grandes
empresas
Poder computacional actual
¿Por qué ahora?
23. ¿Qué pueden aportar al negocio?
● Los cálculos internos son una caja
negra.
● Obtener los mejores resultados
alarga el desarrollo.
● Se necesitan datos masivos.
● Exigen mucho a nivel
computacional.
● Hay que vigilar el
sobreentrenamiento.
Problemáticas
30. Anexo
Material de interés
Recurrent Neural Network (RNN)
● Facebook Transitioning to Neural Machine Translation
● Google Translate: How does the search giant’s multilingual interpreter actually
work?
● The neural networks behind Google Voice transcription
● Learning the Long-Term Structure of the Blues
Convolutional Neural Network (CNN)
● Understanding Convolutional Neural Networks for NLP
● Convolutional Neural Networks for Sentence Classification
● Convolutional Neural Network for Stereotypical Motor Movement Detection in Autism
● Object Recognition with Google’s Convolutional Neural Networks
● Pros and Cons of Neural Networks
31. Anexo
Material de interés
Aprender de los algoritmos
● A Neural Network in 11 lines of Python
● A Neural Network in 13 lines of Python (Part 2 - Gradient Descent)
● How the backpropagation algorithm works
● Efficient BackProp
● A list of cost functions used in neural networks, alongside applications