Esta diapositiva es sobre la aplicacion de la inteligencia artificial en apps

1. Deiner Rivera
Dariana Peña
Andres Roa
Deep
Learning

2. Contenido
• Introduccion
• Arquitectura de una Red Neuronal
• Proceso de automatizacion
• Aprendizaje
• Aplicaciones del Deep Learning
• Retos del Deep Learning
• Conclusion

3. Introducción
• El Deep Learning es una rama de la
inteligencia artificial que se basa en la
construcción y entrenamiento de
algoritmos llamados redes neuronales
artificiales.
• Estas redes neuronales están inspiradas en
el funcionamiento del cerebro humano y
pueden aprender a través de datos para
realizar tareas específicas.
Es una simulacion del aprendizaje de
nuestro cerebro

4. Concepto
ARQUITECTURA DE UNA RED
NEURONAL
Una red neuronal se compone de capas de
neuronas interconectadas, donde cada neurona
realiza una operación matemática y transmite su
resultado a la siguiente capa.
Capas
Las capas se dividen generalmente en capa
de entrada, capas ocultas (que procesan la
información) y capa de salida.

5. PROCESO DE AUTOMATIZACIÓN
Recopilación y
preparación
de datos
Selección de la
arquitectura
del modelo
Creación del
modelo
Entrenamie
nto del
modelo
Explicación del
proceso
Es importante destacar que aunque la automatización puede acelerar y simplificar
algunas partes del proceso de Deep Learning, el conocimiento experto y la comprensión
profunda del problema siguen siendo fundamentales para obtener resultados óptimos y
tomar decisiones adecuadas durante el proceso de desarrollo del modelo.
Ajuste de
hiperpará
metros
Validación
y
evaluación
Despliegu
e y
producció
n
Monitoriza
ción y
mantenim
iento

6. Supervisado
APRENDIZAJE
• En el aprendizaje supervisado, las redes neuronales
se entrenan utilizando un conjunto de datos
etiquetado, donde las respuestas correctas están
proporcionadas.
• Durante el entrenamiento, la red ajusta sus pesos y
parámetros para minimizar el error entre las
predicciones y las etiquetas reales.
No Supervisado
• En el aprendizaje no supervisado, las
redes neuronales encuentran
patrones y estructuras en los datos
sin necesidad de etiquetas.
• Se utiliza para tareas como
agrupación de datos y reducción
de dimensionalidad.

7. Aplicaciones Deep Learning
Visión por computadora
Procesamiento del lenguaje
natural
JUEGOS
FINANZAS
MEDICINA

8. RETOS DEL DEEP
LEARNING
Reto 01
Requiere grandes
cantidades de
datos
etiquetados para
un buen
rendimiento.
Reto 02 Reto 03
Puede ser
computacionalm
ente costoso y
requerir hardware
especializado
Explicabilidad:
algunas redes
neuronales son
cajas negras
difíciles de
interpretar.

9. CONCLUSION
• En el aprendizaje supervisado, las redes
neuronales se entrenan utilizando un
conjunto de datos etiquetado, donde las
respuestas correctas están
proporcionadas. Durante el
entrenamiento, la red ajusta sus pesos y
parámetros para minimizar el error entre
las predicciones y las etiquetas reales.

10. Por su atencion
Muchas Gracias
Celis
Marlon
Espinosa