Aplicaciones del mundo real del aprendizaje profundo Ppt

Diapositiva 1

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 coloración 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 2

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 3

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 4

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 5

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 6

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 7

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 8

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 9

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 10

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 11

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 12

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 13

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.