Descargar para leer sin conexión
![Datos:
El largo del pico del pingüino.
La profundidad del pico del pingüino.
El largo de la aleta del pingüino.
El peso del pingüino.
_x**=[x 1, x 2, x 3, x 4].
Se desea predecir (y) la especie de pingüino:
Adelia (clase 0)
Papúa (clase 1)
Barbijo (clase 2)
Para x=[37.3, 16.8, 19.2, 30.0], y=[1, 0, 0]](https://image.slidesharecdn.com/ciitecfundamentosdedeeplearning-220331032443/85/CIITEC-Fundamentos-de-Deep-Learning-pptx-23-320.jpg)
![Cálculo de la pérdida
• Supongamos que uno de los ejemplos transmitidos a través del proceso de
entrenamiento contiene las características de un pingüino de Adelia (clase 0).
• La salida correcta de la red sería [1, 0, 0].
• Supongamos que para un dato la red genera la salida [0.4, 0.3, 0.3].
• Si las comparamos, podemos calcular una varianza absoluta para cada elemento (la
distancia entre cada valor previsto y el valor que debería ser) como [0.6, 0.3, 0.3].
• Dado que en la práctica se procesan varias observaciones, generalmente se agrega la
varianza, por ejemplo, elevando cada valor al cuadrado y luego calculando la media
para terminar con un solo valor de pérdida promedio, como 0.18.](https://image.slidesharecdn.com/ciitecfundamentosdedeeplearning-220331032443/85/CIITEC-Fundamentos-de-Deep-Learning-pptx-26-320.jpg)
Más contenido relacionado
Similar a CIITEC Fundamentos de Deep Learning.pptx
CIITEC Fundamentos de Deep Learning.pptx
- 1. Fundamentos de Deep Learning LuisBeltrán Descarga la presentación: https://bit.ly/CIITEC-DL
- 2. Luis Beltrán •Estudiante en Tomás Bata University in Zlín • Docente en Tecnológico Nacional de México en Celaya • Microsoft MVP en IA y Tecnologías de Desarrollador • Xamarin, Azure, Inteligencia Artificial luis@luisbeltran.mx luis.beltran@itcelaya.edu.mx
- 3.
- 4. Los datos soninmensos
- 5. Machine Learning Machine Learning Hacerque las computadoras hagan predicciones sin ser programadas explícitamente • Las computadoras encuentran patrones en los datos y aprenden de la experiencia para actuar sobre nuevos datos • Se utiliza para resolver problemas que son difíciles o imposibles de resolver con la programación basada en reglas. • Se ocupa del desarrollo de algoritmos y técnicas que permiten que las computadoras aprendan.
- 6. Machine Learning ML estudiael proceso de construcción de abstracciones (conceptos, características, funciones, relaciones y formas de actuar) de forma automática a partir de los datos.
- 7.
- 8.
- 9.
- 10. 2 𝑓 𝑥= 2𝑥 4
- 11. 2 𝑓 𝑥= 2𝑥 4 Entrada Modelo Salida
- 12. 𝑥 𝑓(𝑥) 𝑦 EntradaModelo Salida
- 13. 𝑥 𝑓(𝑥) Caminando ¿Cómosería el Modelo? Reconocimiento de actividades humanas
- 14. 𝑓(𝑥) bocina ¿Cómo seríael Modelo? Reconocimiento de objetos
- 15. 𝑓(𝑥) bocina ¿Cómo sería elModelo? Generative Adversarial Network (GAN)
- 16. 𝑓(𝑥) ¿Cómo sería elModelo? Phone IMU Data 30 años Predicción de la Edad de una persona
- 17. Aprendizaje (formal) Tarea Aplicar algún método de machine learning a los datos obtenidos de un dominio determinado (Datos de entrenamiento) El dominio tiene algunas características que estamos tratando de aprender (Modelo) Objetivo Minimizar el error en la predicción Tipos de Aprendizaje Aprendizaje supervisado Aprendizaje no supervisado
- 18. Aprendizaje Supervisado • Porcada ejemplo en los datos siempre hay una salida (clase) definida • Modela las relaciones entre un conjunto de características descriptivas y un objetivo (Ajusta los datos a una función) • 2 grupos de problemas: • Clasificación • Regresión
- 19. • Clasificación • Predicea qué clase pertenece una muestra determinada de datos (valor discreto). • Regresión • Predice valores continuos 100.0 0.0 0.0 0.0 96.0 4.0 4.0 0.0 96.0 setosa versicolor virginica setosa versicolor virginica Actual Predicted 0 25 50 75 100 Percent
- 20. Aprendizaje No Supervisado •No hay un conjunto predefinido y conocido de salidas (clases) • Busca patrones y relaciones ocultas en los datos • Un ejemplo típico: Clustering 0.0 0.5 1.0 1.5 2.0 2.5 2 4 6 Petal.Length Petal.Width irisCluster$cluster 1 2 3
- 21.
- 23. Datos: El largodel pico del pingüino. La profundidad del pico del pingüino. El largo de la aleta del pingüino. El peso del pingüino. _x**=[x 1, x 2, x 3, x 4]. Se desea predecir (y) la especie de pingüino: Adelia (clase 0) Papúa (clase 1) Barbijo (clase 2) Para x=[37.3, 16.8, 19.2, 30.0], y=[1, 0, 0]
- 25. Prepara tus DatosConstruye y Entrena Ejecuta Consumo del modelo Usuario final ML model ML model Creación del modelo Datasets Flujo de Acción https://archive.ics.uci.edu/ml/datasets.php
- 26. Cálculo de lapérdida • Supongamos que uno de los ejemplos transmitidos a través del proceso de entrenamiento contiene las características de un pingüino de Adelia (clase 0). • La salida correcta de la red sería [1, 0, 0]. • Supongamos que para un dato la red genera la salida [0.4, 0.3, 0.3]. • Si las comparamos, podemos calcular una varianza absoluta para cada elemento (la distancia entre cada valor previsto y el valor que debería ser) como [0.6, 0.3, 0.3]. • Dado que en la práctica se procesan varias observaciones, generalmente se agrega la varianza, por ejemplo, elevando cada valor al cuadrado y luego calculando la media para terminar con un solo valor de pérdida promedio, como 0.18.
- 27.
- 28. Herramientas para ML/ DL • Lenguajes de programación • Python • R • C++ • ... • Librerías / Frameworks • scikit-learn • PyTorch • TensorFlow • Keras • … classic machine learning deep learning frameworks
- 29. scikit-learn • Exporación dedatos • Preprocesamiento de datos • Limpieza de valores • Normalización • Entrenamiento • Prueba • Aplicación • Machine Learning ”clásico" • https://scikit-learn.org/stable/ 36 pip install scikit-learn
- 30. Keras y Tensorflow •Keras es una librería de alto nivel que facilita la creación de redes neuronales (capas) • En background, el motor que ejecutará la red neuronal y la entrenará es la implementación de Google llamada Tensorflow.
- 31. Colaboratory ● Es undocumento ejecutable en Gdrive (Python Jupyter Notebook). ● Nos permite programar ejecutar y compartir nuestro código con otras personas. ● Es un documento compuesto por celdas que pueden ser texto enriquecido, imágenes o código python. ● Permite ejecutar código python en un entorno con CPU’s o GPU’s de forma gratuita. ● Facilita la visualización de los resultados de forma interactiva y provee de una galería de snippets de código para nuestras necesidades. ● Nos permite compartir como cualquier documento google drive o hacia github https://colab.research.google.com/
- 32.
- 33. Ejercicio #1 –Entrenamiento de una red neuronal profunda https://colab.research.google.com/drive/1lRbgGCmgmDKiCXEuUy_gyQgoAR8otTXb?usp=sharing
- 34. Redes Neuronales Convolucionales(CNN) • Si bien puede usar modelos de DL para cualquier tipo de ML, resultan especialmente útiles para trabajar con datos que constan de grandes matrices de valores numéricos, como imágenes. • Los modelos de ML que funcionan con imágenes son la base de una área de IA conocida como Computer Vision. Además, las técnicas de DL han impulsado avances asombrosos en esta área durante los últimos años. • El motivo del éxito del DL en esta área es un tipo de modelo llamado red neuronal convolucional (CNN)
- 35. Convolutional Neural Networks •Las Convolutional Neural Networks son redes multilayered que toman su inspiración del cortex visual de los animales. • Esta arquitectura es útil en varias aplicaciones, principalmente procesamiento de imágenes. • La primera CNN fue creada por Yann LeCun y estaba enfocada en el reconocimiento de letras manuscritas.
- 37. Filtro de 3x3 Imagen Aplicandoel filtro sobre la imagen Resultado 1 Resultado N Aplicando ReLU
- 38.
- 40. • La arquitecturaconstaba de varias capas que implementaban la extracción de características y luego la clasificación. • La imagen se divide en campos receptivos que alimentan una capa convolutional que extrae features de la imagen de entrada (Por ejemplo, detectar lineas verticales, vértices, etc). • El siguiente paso es pooling que reduce la dimensionalidad de las features extraídas manteniendo la información más importante. • Luego se hace una nueva convolución y otro pooling que alimenta una red feedforward multicapa. • La salida final de la red es un grupo de nodos que clasifican el resultado, por ejemplo un nodo para cada número del 0 al 9 (es decir, 10 nodos, se “activan” de a uno).
- 41. Ejercicio #2 –Entrenamiento de una red neuronal convolucional https://drive.google.com/drive/folders/1O0KNYzlTWtEwlv4P1ihj6Rkm79pWmvmf?usp=sharing https://colab.research.google.com/drive/1rDLjk7_cpmn4PSFG4hgG_dW9cCQ0Gbuu?usp=sharing
- 42. Transfer Learning (Aprendizajepor Transferencia)
- 43. ¿Dónde encontramos aplicacionesde ML/DL? • Automóviles autónomos (Tesla) • Interfaces de voz (Alexa, Siri) • Reconocimiento facial (Google Photos) • Sistemas recomendadores (Netflix, Amazon) • Juegos (AlphaGo) • Reconocimiento óptico de caracteres (Post offices) • Sistemas bancarios • Diagnósticos médicos • Interacción Humano-Computadora Sven Mayer 50
- 44.
- 45. Aplicaciones • Biologíade la Computación (Aprendizaje de estructuras) • Animación y control • Seguimiento y reconocimiento de actividad
- 46. Aplicaciones • Aplicación enel procesamiento del habla y del lenguaje natural • Gramáticas libres de contexto probabilístico • Modelos graficos • Análisis de gráficos de redes sociales, análisis de causalidad.
- 47. Deep Q andA: IBM Watson • Watson emergió ganador cuando se enfrentó a los jugadores mejor calificados de todos los tiempos en la historia de Jeopardy. Source: IBM Research
- 48. Conclusiones • En estetaller aprendió los principios fundamentales de Deep Learning y cómo crear modelos de red neuronal profunda con Tensorflow. • También exploró el uso de redes neuronales convolucionales para crear modelos de clasificación de imágenes. • Las técnicas de machine learning y deep learning están a la vanguardia de la inteligencia artificial, y se usan para implementar soluciones empresariales.
- 49.
- 53. Para aprender más Introduccióna TensorFlow https://www.tensorflow.org/learn Deep Learning (Kaggle) https://www.kaggle.com/learn/intro-to-deep-learning Machine Learning for Beginners https://aka.ms/ml-beginners
- 54.