Deep Learning Mastering The Fundamentals Training Ppt

Diapositiva 4

Esta diapositiva indica que Deep Learning, un subconjunto de Machine Learning, consta de tres o más capas de redes neuronales. Estas redes neuronales buscan imitar la actividad del cerebro humano al permitirle 'aprender' de enormes cantidades de datos, aunque estas redes están muy lejos de replicarla. Si bien una red neuronal de una sola capa puede producir predicciones aproximadas, las capas ocultas adicionales pueden ayudarla a mejorar y ajustar su precisión.

Notas del instructor:

La mayoría de las aplicaciones y servicios de inteligencia artificial (IA) se basan en el aprendizaje profundo para mejorar la automatización mediante la ejecución de tareas analíticas y físicas sin humanos. Deep Learning se utiliza tanto en productos y servicios comunes (como asistentes digitales, controles remotos de TV habilitados por voz y detección de fraude con tarjetas de crédito) como en nuevas tecnologías (como inteligencia artificial y automóviles autónomos).

Diapositiva 5

Esta diapositiva ofrece una descripción general del aprendizaje profundo, que es la columna vertebral de los automóviles autónomos, los robots realistas e incluso los chatbots convincentes. Ayuda a las máquinas a mejorar su capacidad para reconocer patrones, objetos e incluso barreras en su camino.

Diapositiva 6

Esta diapositiva indica que las redes neuronales artificiales a menudo se conocen como redes neuronales de aprendizaje profundo. Usan una combinación de entradas de datos, pesos y sesgos para emular el cerebro humano. Estas piezas funcionan juntas para reconocer, clasificar y caracterizar con precisión los elementos de datos.

Diapositiva 7

Esta diapositiva enumera que Machine Learning se enfoca en permitir que las computadoras realicen actividades sin programación explícita. Deep Learning es una rama de Machine Learning basada en redes neuronales artificiales.

Diapositiva 8

Esta diapositiva establece varios tipos de funciones de aprendizaje profundo: función de activación sigmoidea, tan-h (función de tangente hiperbólica), ReLU (unidades lineales rectificadas), funciones de pérdida y funciones de optimización.

Diapositiva 9

Esta diapositiva ofrece una descripción general de la función de activación sigmoidea que tiene la fórmula f(x) = 1/(1+exp (-x)). La salida varía de 0 a 1. No está centrada en cero. La función tiene un problema de gradiente de fuga. Cuando se produce la retropropagación, las pequeñas derivadas se multiplican juntas y el gradiente disminuye exponencialmente a medida que nos propagamos a las capas iniciales.

Diapositiva 10

Esta diapositiva indica que la función Tangente hiperbólica tiene la siguiente fórmula: f(x) = (1-exp(-2x))/(1+exp(2x)). El resultado está entre -1 y +1. Está centrado en cero. Cuando se compara con la función Sigmoid, la convergencia de optimización es simple, pero la función tan-h aún sufre el problema del gradiente de fuga.

Diapositiva 11

Esta diapositiva ofrece una descripción general de ReLU (Unidades lineales rectificadas). La función es del tipo f(x) = max(0,x) i,e 0 cuando x<0, x cuando x>0. Cuando se compara con la función tan-h, la convergencia ReLU es mayor. El problema del gradiente de fuga no afecta la función y solo se puede usar dentro de las capas ocultas de la red.

Diapositiva 12

Esta diapositiva enumera los tipos de funciones de pérdida como un componente del aprendizaje profundo. Estos incluyen error absoluto medio, error cuadrático medio, pérdida de bisagra y entropía cruzada.

Diapositiva 13

Esta diapositiva indica que el error absoluto medio es una estadística para calcular la diferencia absoluta entre los valores esperados y los reales. Divida el total de todas las diferencias absolutas por el número de observaciones. No penaliza los valores grandes con tanta dureza como el error cuadrático medio (MSE).

Diapositiva 14

Esta diapositiva describe que el MSE se determina sumando los cuadrados de la diferencia entre los valores esperados y reales y dividiendo por el número de observaciones. Es necesario prestar atención cuando el valor de la métrica es mayor o menor. Solo es aplicable cuando tenemos valores inesperados para los pronósticos. No podemos confiar en MSE ya que podría aumentar mientras el modelo funciona bien.

Diapositiva 15

Esta diapositiva explica que la función de pérdida de bisagra se ve comúnmente en las máquinas de vectores de soporte. La función tiene la forma = max[0,1-yf(x)]. Cuando yf(x)>=0, la función de pérdida es 0, pero cuando yf(x)<0 el error aumenta exponencialmente, penalizando desproporcionadamente los puntos mal clasificados que están lejos del margen. Como resultado, la inexactitud crecería exponencialmente hasta esos puntos.

Diapositiva 16

Esta diapositiva indica que la entropía cruzada es una función logarítmica que predice valores que van de 0 a 1. Evalúa la efectividad de un modelo de clasificación. Como resultado, cuando el valor es 0,010, la pérdida de entropía cruzada es más significativa y el modelo funciona mal en la predicción.

Diapositiva 17

Esta diapositiva enumera las funciones del optimizador como parte del aprendizaje profundo. Estos incluyen descenso de gradiente estocástico, adagrad, adadelta y adam (estimación de momento adaptativo).

Diapositiva 18

Esta diapositiva indica que la estabilidad de la convergencia del Descenso de Gradiente Estocástico es una preocupación, y aquí surge el tema del Mínimo Local. Dado que las funciones de pérdida varían mucho, calcular el mínimo global lleva mucho tiempo.

Diapositiva 19

Esta diapositiva indica que no hay necesidad de ajustar la tasa de aprendizaje con esta función de Adagrad manualmente. Sin embargo, el inconveniente fundamental es que la tasa de aprendizaje sigue cayendo. Como resultado, cuando la tasa de aprendizaje se reduce demasiado en cada iteración, el modelo no adquiere más información.

Diapositiva 20

Esta diapositiva indica que en adadelta, se resuelve la tasa de aprendizaje decreciente, se calculan distintas tasas de aprendizaje para cada parámetro y se determina el impulso. La principal distinción es que esto no guarda los niveles de impulso individuales para cada parámetro; y la función de optimización de Adam corrige este problema.

Diapositiva 21

Esta diapositiva describe que, en comparación con otros modelos adaptativos, las tasas de convergencia son más altas en el modelo de Adam. Se cuidan las tasas de aprendizaje adaptativo para cada parámetro. Como se tiene en cuenta el impulso para cada parámetro, esto se emplea comúnmente en todos los modelos de aprendizaje profundo. El modelo de Adam es altamente eficiente y rápido.

Diapositiva 23

Esta diapositiva explica el funcionamiento de Deep Learning. Las redes neuronales profundas están formadas por múltiples capas ocultas. Deep Learning entrena a la IA para predecir la salida con entradas específicas o capas de red ocultas. Grandes conjuntos de datos etiquetados entrenan estas redes a partir de los propios datos.

Diapositiva 24

Esta diapositiva analiza la estructura de una red neuronal profunda que consta de tres tipos de capas de nodos. Estas son, la capa de entrada, seguida de una o más capas ocultas y, finalmente, una capa de salida.

Diapositiva 25

Esta diapositiva habla sobre la técnica de aprendizaje profundo implementada utilizando numerosas redes neuronales o capas ocultas que ayudan a comprender las imágenes a fondo para hacer predicciones correctas.

Notas del instructor: este método funciona bien con conjuntos de datos grandes y complejos. Deep Learning se vuelve incapaz de trabajar con nuevos datos si son insuficientes o están incompletos.

Diapositiva 26

Esta diapositiva ilustra paso a paso el proceso de creación de modelos de aprendizaje profundo. Los pasos incluyen comprender el problema, identificar datos, seleccionar el algoritmo, entrenar el modelo y probar el modelo.

Diapositiva 27

Esta diapositiva muestra las dos fases de las operaciones en el aprendizaje profundo: crear un modelo estadístico como salida aplicando una transformación no lineal a los datos de entrada y un método derivado para mejorar el modelo.

Diapositiva 28

Esta diapositiva enumera las ventajas del aprendizaje profundo, como el uso de datos no estructurados en la mayor medida posible, la ingeniería de funciones ya no es necesaria, la capacidad de proporcionar resultados de alta calidad, la eliminación de gastos innecesarios y el etiquetado de datos ya no es necesario.

Notas del instructor:

• Los datos no estructurados se utilizan en la mayor medida posible: puede entrenar algoritmos de aprendizaje profundo utilizando diversos tipos de datos y al mismo tiempo obtener información relevante para el objetivo de entrenamiento. Por ejemplo, puede usar algoritmos de aprendizaje profundo para encontrar cualquier relación actual entre los análisis de la industria, la actividad de las redes sociales y otros factores para pronosticar el precio de las acciones de una organización en particular en el futuro.
• La ingeniería de funciones ya no es necesaria: una de las principales ventajas de emplear una técnica de aprendizaje profundo es su capacidad para realizar la ingeniería de funciones de forma independiente. En esta técnica, un algoritmo examina los datos en busca de cualidades correlacionadas y luego los combina para fomentar un aprendizaje más rápido sin que se le indique expresamente. Esta habilidad permite a los científicos de datos ahorrar una cantidad sustancial de tiempo.
• Capacidad para proporcionar resultados de alta calidad: un modelo de aprendizaje profundo, si se entrena adecuadamente, puede realizar miles de tareas regulares y repetitivas en una fracción del tiempo que le tomaría a un ser humano. Además, la calidad del trabajo nunca disminuye a menos que los datos de entrenamiento comprendan datos sin procesar que no se corresponden con la situación.
• Se eliminan los gastos innecesarios: los retiros son muy costosos y, en algunos sectores, un retiro puede costarle a una empresa millones de dólares en gastos directos. Las fallas subjetivas que son difíciles de entrenar, como los pequeños problemas de etiquetado de productos, se pueden reconocer utilizando Deep Learning
• El etiquetado de datos ya no es necesario: el etiquetado de datos puede ser una tarea costosa y que requiere mucho tiempo. La necesidad de datos bien etiquetados se vuelve irrelevante con un método de aprendizaje profundo, ya que los algoritmos sobresalen en el aprendizaje sin pautas.

Diapositiva 29

Esta diapositiva enumera las aplicaciones de Deep Learning en el mundo real. Estos incluyen la detección de retrasos en el desarrollo de los niños, la colorización de imágenes en blanco y negro, la adición de sonido a películas mudas, la restauración de píxeles y la generación de secuencias o alucinaciones.

Diapositiva 30

Esta diapositiva indica que una de las mejores aplicaciones del aprendizaje profundo es la detección temprana y la corrección del curso de los trastornos del desarrollo relacionados con bebés y niños. El Laboratorio de Ciencias de la Computación e IA del MIT y el Instituto de Profesiones de la Salud del Hospital General de Massachusetts han creado un sistema informático que puede detectar trastornos del lenguaje y del habla incluso antes del jardín de infancia, cuando la mayoría de los casos suelen surgir.

Diapositiva 31

Esta diapositiva describe la colorización de imágenes, es decir, la técnica de tomar fotografías en escala de grises y producir imágenes coloreadas que representan los matices y tonos semánticos de la entrada. Tradicionalmente, esta técnica se realizaba a mano y requería de mano de obra humana. Hoy, sin embargo, la tecnología de aprendizaje profundo se utiliza para colorear la imagen aplicándola a los objetos y su contexto dentro de la fotografía.

Diapositiva 32

Esta diapositiva establece que, para identificar sonidos aceptables para una escena, un modelo de aprendizaje profundo prefiere correlacionar fotogramas de video con una base de datos de sonidos pregrabados. Los modelos de aprendizaje profundo luego usan estos videos para determinar el sonido óptimo para el video.

Diapositiva 33

Esta diapositiva explica que en 2017, los investigadores de Google Brain crearon una red de aprendizaje profundo para determinar el rostro de una persona a partir de fotos de rostros de muy baja calidad. “Pixel Recursive Super Resolution” fue el nombre que se le dio a este enfoque, y mejora considerablemente la resolución de las fotografías, resaltando las características esenciales lo suficiente para su identificación.

Diapositiva 34

Esta diapositiva muestra que la generación de secuencias o alucinaciones funciona mediante la creación de imágenes únicas al ver otros videojuegos, comprender cómo funcionan y replicarlos utilizando técnicas de aprendizaje profundo como redes neuronales recurrentes. Las alucinaciones de aprendizaje profundo pueden producir imágenes de alta resolución a partir de fotos de baja resolución. Esta técnica también se utiliza para restaurar datos históricos desde fotografías de calidad de baja resolución hasta imágenes de alta resolución.

Diapositiva 35

Esta diapositiva describe que el enfoque de aprendizaje profundo es increíblemente eficiente para las pruebas de toxicidad de estructuras químicas; Los especialistas solían tardar décadas en establecer la toxicidad de una estructura en particular, pero con un modelo de aprendizaje profundo, la toxicidad se puede determinar rápidamente (puede tomar horas o días, según la complejidad).

Diapositiva 36

Esta diapositiva muestra que un modelo de aprendizaje profundo de detección de cáncer contiene 6000 parámetros que podrían ayudar a estimar la supervivencia de un paciente. Los modelos de aprendizaje profundo son eficientes y efectivos para la detección del cáncer de mama. El modelo CNN de aprendizaje profundo ahora puede identificar y categorizar la mitosis en los pacientes. Las redes neuronales profundas ayudan en el estudio del ciclo de vida celular.

Diapositiva 37

Esta diapositiva indica que, según el conjunto de datos utilizado para entrenar el modelo, los algoritmos de aprendizaje profundo pueden pronosticar llamadas de compra y venta para los comerciantes. Esto es beneficioso para el comercio a corto plazo y las inversiones a largo plazo en función de los atributos disponibles.

Diapositiva 38

Esta diapositiva describe que los algoritmos de aprendizaje profundo clasifican a los consumidores según las compras anteriores y el comportamiento de navegación y ofrecen anuncios relevantes y personalizados en tiempo real. Podemos ver esto en acción: si busca un producto en particular en un motor de búsqueda, también se le mostrará contenido relevante de categorías aliadas en su fuente de noticias.

Diapositiva 39

Esta diapositiva muestra que Deep Learning ofrece una respuesta prometedora al problema de la detección de fraudes al permitir que las instituciones aprovechen al máximo los datos históricos de los clientes y los detalles de transacciones en tiempo real recopilados en el momento de la transacción. Los modelos de aprendizaje profundo también se pueden usar para determinar qué productos y mercados son más vulnerables al fraude y ser más cauteloso en tales circunstancias.

Diapositiva 40

Esta diapositiva indica que los sismólogos intentan pronosticar el terremoto, pero es demasiado complicado. Una predicción incorrecta cuesta mucho dinero tanto a la gente como al gobierno. Hay dos ondas en un terremoto: la onda p (viaja rápido pero hace menos daño) y la onda s (viaja lento pero el daño es alto). No es fácil hacer juicios con días de anticipación, pero al usar técnicas de aprendizaje profundo, podemos pronosticar el resultado de cada ola en función de las experiencias y el procesamiento de datos previos. Esto puede llevar horas, pero es lo suficientemente rápido como para servir como una advertencia útil que puede salvar vidas y prevenir daños.

Diapositiva 41

Esta diapositiva ofrece una descripción general de Deep Fakes, que se refiere al material digital modificado, como fotos o videos, en los que la imagen o el video de una persona se reemplaza con la apariencia de otra persona. Deep Fake es una de las preocupaciones más graves que enfrenta la civilización moderna.

Notas del instructor:

En 2018, se hizo un clip de parodia de Barack Obama, usando frases que nunca dijo. Además, Deep Fakes ya se ha utilizado para distorsionar las imágenes de Joe Biden que muestran su lengua fuera en las elecciones estadounidenses de 2020. Estas aplicaciones perjudiciales de deepfakes pueden influir significativamente en la sociedad y dar lugar a la difusión de información falsa, especialmente en las redes sociales.

Diapositiva 42

Esta diapositiva establece algunas de las desventajas del aprendizaje profundo, como: Necesita una gran cantidad de datos para superar otras estrategias de toma de decisiones. No existe una teoría convencional que lo ayude a elegir las herramientas correctas de aprendizaje profundo, ya que requiere una comprensión de la topología, la técnica de capacitación y otras características. Como resultado, es más difícil de adoptar por personas menos competentes.

Diapositiva 58 a 73

Estas diapositivas contienen actividades estimulantes para involucrar a la audiencia de la sesión de capacitación.

Diapositiva 74 a 101

Estas diapositivas contienen una propuesta de capacitación que cubre lo que la empresa que brinda capacitación corporativa puede lograr para el cliente.

Diapositiva 102 a 104

Estas diapositivas incluyen un formulario de evaluación de capacitación para el instructor, el contenido y la evaluación del curso.