SlashFriday. Aplicación al negocio de las redes neuronales artificiales
•Descargar como PPTX, PDF•
1 recomendación•775 vistas
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.
Recomendados
Más contenido relacionado
Similar a SlashFriday. Aplicación al negocio de las redes neuronales artificiales
Similar a SlashFriday. Aplicación al negocio de las redes neuronales artificiales (20)
Más de SlashMobility.com
Más de SlashMobility.com (20)
Último
Último (20)
SlashFriday. Aplicación al negocio de las redes neuronales artificiales
- 1. SLASHFRIDAY Aplicación al negocio de las redes neuronales artificiales Por Ivan Martínez
- 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
- 3. HISTORIA
- 4. Historia
- 6. ¿QUÉ SON LAS REDES NEURONALES?
- 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?
- 9. ¿QUÉ TIPOS DE REDES NEURONALES ARTIFICIALES HAY?
- 10. ¿Qué tipos de redes neuronales artificiales hay? Artificial Neural Networks Recurrent Neural Networks Convolutional Neural Networks
- 11. CASOS DE USO
- 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.
- 20. ¿QUÉ PUEDEN APORTAR AL NEGOCIO?
- 21. ¿Qué pueden aportar al negocio?
- 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
- 24. ¿Cómo empiezo?
- 25. ¿Cómo empiezo? 1. Documentación Libro gratuito online: http://neuralnetworksanddeeplearni ng.com Cursos online: https://www.udemy.com/d eeplearning/learn/v4/overview https://www.udemy.com/ machinelearning/learn/v4/overview Documento: http://iamtrask.github.io/20 15/07/12/basic-python-network/
- 26. ¿Cómo empiezo? 2. Escoger lenguaje R Python Matlab Octave Java C C ++ C# Javascript php
- 27. ¿Cómo empiezo? Keras, TensorFlow, Kheano, Caffe, H2O 3. Escoger librería Neuralnet, H2O, Keras
- 28. ¿Cómo empiezo? 4. Aprender de los algoritmos Cómo optimizar: http://iamtrask.github.io/201 5/07/27/python-network-part2/ http://yann.lecun.com/exdb /publis/pdf/lecun-98b.pdf Funciones de costes: https://stats.stackexchange.com/ques tions/154879/a-list-of-cost-functions- used-in-neural-networks-alongside- applications
- 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
Notas del editor
- https://towardsdatascience.com/hype-disadvantages-of-neural-networks-6af04904ba5b