DEEP Learning - Paper - Funciones y Conceptos

CONCEPTOS BÁSICOS Y ESTADO DEL ARTE DE DEEP LEARNING

PALABRAS CLAVE: DataSet, detección, clasificación.

INTRODUCCIÓN

El DEEP LEARNING o aprendizaje profundo es una rama bastante interesante del MACHINE LEARNING que utiliza una gran cantidad de metadatos para enseñar a las computadoras cómo hacer las cosas que anteriormente solo los humanos éramos capaces de hacer. El deep learning permite operar modelos computacionales que están compuestos de múltiples capas de procesamiento, aprender representaciones de datos con múltiples niveles de abstracción, disminuir algunos costos de procesamiento. .

DEEP LEARNING

El DEEP LEARNING surgió como una herramienta central para resolver problemas de percepción en los últimos años. El estado de arte está relacionado con la visión por ordenador y reconocimiento de voz, pero aún hay más. Esta es una ciencia bastante innovadora que literalmente aún está siendo inventada y cada vez es mayor el número de personas que se une a las filas de desarrollo e implementación ya que el DEEP LEARNING ha demostrado ser una herramienta increíblemente poderosa para solucionar problemas como el descubrimiento de nuevos medicamentos, comprensión del lenguaje natural de las personas alrededor del mundo (diferentes idiomas y por cada idioma diferentes expresiones dependiendo de la región), comprensión de documentos y clasificación de conocimiento para su posterior búsqueda.

CLASIFICACIÓN EN DEEP LEARNING.

Es la tarea de una entrada dada que se encarga que involucra la asignación de una o varias clases de una información. Este proceso es básico para el DEEP LEARNING ya que una buena clasificación permite realizar buenas detecciones y predicciones.
Hay que tener en cuenta que el proceso de predicción es bastante complejo ya que un mismo objeto puede pertenecer a varias clases a la vez y para realizar una buena clasificación es necesario poder detectar cuales son las todas clases a las que pertenece una entrada.

DATASET

DeepLearning fue diseñado para trabajar con metadatos, ahora para tener metadatos hay que contar con datos los cuales son almacenados en un pull de información que comúnmente es conocido como DATASET o conjunto de datos.

Los DataSet están conformados por conjuntos de datos que pertenecen a una misma naturaleza, permitiendo que estos datos puedan ser clasificados en base a patrones concurrentes en sus metadatos.

En la web, es posible encontrar una gran diversidad de DataSets. En portales como DeepLearning.net o DBpedia.org existe una variedad de ejemplos creados por las comunidades con la finalidad de otorgar los medios que necesita una personas que se encuentran con ganas de aprender sobre redes neuronales y puntualmente sobre Deep Learning.

Ejemplos:

CIFAR-10: Este es un pul de 60.000 pequeñas imágenes de dimensión 32x32. Estas imágenes pueden agruparse en 10 clases distintas de 6000 imágenes cada una.

CIFAR-100: Es similar al DataSet anteriormente citado, solo que este tiene un total de 100 clases con un total de 600 imágenes cada una.

MNIST: Es un conjunto de números hechos a mano que se encuentran en blanco y negro en 20x20 pixeles (esta dimensión permite seguir conservando su relación de aspecto).

No es fácil hacerse con un DataSet, después de todo es un conjunto inmenso de datos que debe ser capturado. Ya son unos cuantos los años durantes los cuales se ha estado pensando bajo el enfoque de que lo realmente importante son los datos y no tanto el software que se utiliza para procesarlo. Si bien, a nivel mundial han de existir una gran variedad de DataSets, esto no no asegura que se encuentre disponibles al público, ya que los mismos tienen un gran valor para las empresas que los generaron ya que para obtener esos datos, invirtieron tiempo y dinero para poder capturar datos útiles a gran escala. Además, los resultados que pueden conseguir del análisis de esos datos son pueden redituar grandes beneficios a las empresa dueñas y, ¿qué empresa permitiría que algo así caiga en manos de la competencia?

DETECCIÓN

En DEEP LEARNING, la detección es un proceso mediante el cual se descubre algo que se ha estado buscando, esto se hace utilizando la base creada mediante la clasificación:

En la imágen anterior podemos observar un conjunto de peatones, a los cuales buscamos detectar, quizá para contarlos o evitarlos. Ahora bien, ¿cómo podemos hacer que una máquina detecte a los peatones? Pues se deben escanear los sectores de la imágen y clasificar los sectores en dos categorías, peatón y no peatón. Los sectores en rojo no detectaron nada en similar a los patrones regulares de un peatón mientras que los sectores en color amarillo sí lo hacen. Una vez que cada sector ha sido escaneado exitosamente, será posible ubicar con precisión al peatón.

CÓMO SE DETECTAN LOS PATRONES

Para poder realizar detecciones primeramente tenemos que generar un modelo de reconocimiento a partir de un DataSet, dependiendo del tipo de archivos con los que se esté trabajando tendremos que extraer patrones de metadatos relativos a un tipo de extensión. En el caso de las imágenes, podemos identificar sus píxeles, en el caso de un archivo de audio podemos clasificar sus longitudes de onda a lo largo de la reproducción son clasificadas numéricamente.

REFERENCIAS

[1] G. Obregón-Pulido, B. Castillo-Toledo and A. Loukianov, “A globally convergent estimator for n frequencies”, IEEE Trans. On Aut. Control. Vol. 47. No 5. pp 857-863. May 2002.
[2] H. Khalil, ”Nonlinear Systems”, 2nd. ed., Prentice Hall, NJ, pp. 50-56, 1996.
[3] Francis. B. A. and W. M. Wonham, “The internal model principle of control theory”, Automatica. Vol. 12. pp. 457-465. 1976.
[4] E. H. Miller, “A note on reflector arrays”, IEEE Trans. Antennas Propagat., Aceptado para su publicación.
[5] Control Toolbox (6.0), User´s Guide, The Math Works, 2001, pp. 2-10-2-35.
[6] J. Jones. (2007, Febrero 6). Networks (2nd ed.) [En línea]. disponible en: http://www.atm.com.

Fuente de Imágenes:
0-https://techtalk.vn/chuyen-gia-noi-gi-ve-nhung-thanh-tuu-cua-cuoc-cach-mang-cong-nghiep-4-0.html
1- https://goo.gl/UadBVz
2- https://plus.google.com/+VincentVanhoucke
3- http://www.cs.toronto.edu/~kriz/cifar.html
4- http://myselph.de/neuralNet.html
5- http://www.elconstituyente.mx/van-mas-de-mil-muertes-por-hechos-de-transito-en-df-en-los-ultimos-tres-anos-gdf/

Este es un material preparado por Justino Rojas y Marcos Ortega, compañeros de facultad!

Agradecemos su apoyo!