fbpx
Wikipedia

Aprendizaje profundo

Noviembre 26, 2021

Este artículo o sección tiene un estilo difícil de entender para los lectores interesados en el tema.
Si puedes, por favor edítalo y contribuye a hacerlo más accesible para el público general, sin eliminar los detalles técnicos que interesan a los especialistas.

Aprendizaje profundo (en inglés, deep learning) es un conjunto de algoritmos de aprendizaje automático (en inglés, machine learning) que intenta modelar abstracciones de alto nivel en datos usando arquitecturas computacionales que admiten transformaciones no lineales múltiples e iterativas de datos expresados en forma matricial o tensorial. [1]​

El aprendizaje profundo es parte de un conjunto más amplio de métodos de aprendizaje automático basados en asimilar representaciones de datos. Una observación (por ejemplo, una imagen) puede ser representada en algunas formas (por ejemplo, un vector de píxeles), pero algunas representaciones hacen más fácil aprender tareas de interés (por ejemplo, "¿es esta imagen una cara humana?") sobre la base de ejemplos, y la investigación en esta área intenta definir qué representaciones son mejores y cómo crear modelos para reconocer estas representaciones.

Varias arquitecturas de aprendizaje profundo, como redes neuronales profundas, redes neuronales profundas convolucionales, y redes de creencia profundas, han sido aplicadas a campos como visión por computador, reconocimiento automático del habla, y reconocimiento de señales de audio y música, y han mostrado producir resultados de vanguardia en varias tareas.

Definiciones

No existe una única definición de aprendizaje profundo. En general se trata de una clase de algoritmos ideados para el aprendizaje automático. A partir de este punto común, diferentes publicaciones se centran en distintas características, por ejemplo:

  • Usar una cascada de capas con unidades de procesamiento no lineal para extraer y transformar variables. Cada capa usa la salida de la capa anterior como entrada. Los algoritmos pueden utilizar aprendizaje supervisado o aprendizaje no supervisado, y las aplicaciones incluyen modelización de datos y reconocimiento de patrones.
  • Estar basados en el aprendizaje de múltiples niveles de características o representaciones de datos. Las características de más alto nivel se derivan de las características de nivel inferior para formar una representación jerárquica.
  • Aprender múltiples niveles de representación que corresponden con diferentes niveles de abstracción. Estos niveles forman una jerarquía de conceptos.

Todas estas maneras de definir el aprendizaje profundo tienen en común: múltiples capas de procesamiento no lineal; y el aprendizaje supervisado o no supervisado de representaciones de características en cada capa. Las capas forman una jerarquía de características desde un nivel de abstracción más bajo a uno más alto.

Los algoritmos de aprendizaje profundo contrastan con los algoritmos de aprendizaje poco profundo por el número de transformaciones aplicadas a la señal mientras se propaga desde la capa de entrada a la capa de salida. Cada una de estas transformaciones incluye parámetros que se pueden entrenar como pesos y umbrales[2]​(p6). No existe un estándar de facto para el número de transformaciones (o capas) que convierte a un algoritmo en profundo, pero la mayoría de investigadores en el campo considera que aprendizaje profundo implica más de dos transformaciones intermedias[2]​(p7).

Computación en la nube

Las GPU para procesamiento general

La computación de propósito general en unidades de procesamiento gráfico (GPGPU del inglés general-purpose computing on graphics processing units) permite ejecutar los algoritmos de entrenamiento y evaluación de los modelos de aprendizaje profundo. Debido a la naturaleza altamente paralelizable de estos problemas, la utilización de las GPGPU permite un aumento en el desempeño de varios órdenes de magnitud.

Los modelos basados en la arquitectura de redes neuronales convolucionales múltiples (CNN en inglés Multiple Convolutional Neural Network) se han propuesto en biología, por ejemplo para segmentación de glándulas en las imágenes de histología.[3]​ [4]​

Las GPU en la nube

Los grandes proveedores de servicios en la nube han comenzado a ofrecer servicios de infraestructura especializados para procesamiento con GPU. Nvidia se ha asociado con diversos proveedores para ofrecer dichos servicios, Amazon, Azure e IBM por nombrar algunos.[5]​

Google Cloud y TensorFlow

Acompañando a su plataforma TensorFlow, Google introdujo la Machine Learning Platform, que provee servicios de aprendizaje automático modernos con modelos preentrenados y un servicio para generar modelos personalizables. A diferencia de los otros proveedores, se presenta como una alternativa PaaS más que un IaaS.

Hardware

Desde la década de 2010, los avances tanto en los algoritmos de aprendizaje automático como en el hardware de la computadora han llevado a métodos más eficientes para entrenar redes neuronales profundas que contienen muchas capas de unidades ocultas no lineales y una capa de salida muy grande. Para 2019, las unidades de procesamiento gráfico (GPU), a menudo con mejoras específicas de IA, habían desplazado a las CPU como el método dominante para entrenar la IA en la nube comercial a gran escala. [6]​

OpenAI estimó el cálculo de hardware utilizado en los proyectos de aprendizaje profundo más grandes de AlexNet (2012) a AlphaZero (2017), y encontró un aumento de 300.000 veces en la cantidad de cálculo requerido, con una línea de tendencia de tiempo de duplicación de 3,4 meses. [7]​

Referencias

  1. Y. Bengio, A. Courville, and P. Vincent., "Representation Learning: A Review and New Perspectives," IEEE Trans. PAMI, special issue Learning Deep Architectures, 2013 (en inglés)
  2. ↑ J. Schmidhuber, "Deep Learning in Neural Networks: An Overview" http://arxiv.org/abs/1404.7828, 2014
  3. Sirinukunwattana K., Pluim JPW., Chen H., Qi X., Heng P-A., Guo YB., et al. (2017). «Gland segmentation in colon histology images: The glas challenge contest.». Med Image Anal 35: 489-502. PMID 27614792. doi:10.1016/j.media.2016.08.008. 
  4. Shan D, Zheng J, Klimowicz A, Panzenbeck M, Liu Z, Feng D. (2021). «Deep learning for discovering pathological continuum of crypts and evaluating therapeutic effects: An implication for in vivo preclinical study.». PLoS ONE 16 (6): e0252429. doi:10.1371/journal.pone.0252429. Consultado el 14 de junio de 2021. 
  5. «GPU Cloud Computing Solutions from NVIDIA». www.nvidia.com. Consultado el 18 de noviembre de 2016. 
  6. Andrew Trask (2019). Grokking Deep Learning. Manning. ISBN 978-1617293702. 
  7. . OpenAI (en inglés). 16 de mayo de 2018. Archivado desde el original el 17 June 2020. Consultado el 11 June 2020.  Parámetro desconocido |url-status= ignorado (ayuda)

Enlaces externos

  • Tutorial de aprendizaje profundo de Hinton (en inglés)
  • Centro para el Aprendizaje Biológico y Computacional (CBCL - Center for Biological and Computational Learning) (en inglés)
  •   Datos: Q197536
  •   Multimedia: Deep learning

Noviembre 26, 2021
aprendizaje, profundo, este, artículo, sección, tiene, estilo, difícil, entender, para, lectores, interesados, tema, puedes, favor, edítalo, contribuye, hacerlo, más, accesible, para, público, general, eliminar, detalles, técnicos, interesan, especialistas, in. Este articulo o seccion tiene un estilo dificil de entender para los lectores interesados en el tema Si puedes por favor editalo y contribuye a hacerlo mas accesible para el publico general sin eliminar los detalles tecnicos que interesan a los especialistas Aprendizaje profundo en ingles deep learning es un conjunto de algoritmos de aprendizaje automatico en ingles machine learning que intenta modelar abstracciones de alto nivel en datos usando arquitecturas computacionales que admiten transformaciones no lineales multiples e iterativas de datos expresados en forma matricial o tensorial 1 El aprendizaje profundo es parte de un conjunto mas amplio de metodos de aprendizaje automatico basados en asimilar representaciones de datos Una observacion por ejemplo una imagen puede ser representada en algunas formas por ejemplo un vector de pixeles pero algunas representaciones hacen mas facil aprender tareas de interes por ejemplo es esta imagen una cara humana sobre la base de ejemplos y la investigacion en esta area intenta definir que representaciones son mejores y como crear modelos para reconocer estas representaciones Varias arquitecturas de aprendizaje profundo como redes neuronales profundas redes neuronales profundas convolucionales y redes de creencia profundas han sido aplicadas a campos como vision por computador reconocimiento automatico del habla y reconocimiento de senales de audio y musica y han mostrado producir resultados de vanguardia en varias tareas Indice 1 Definiciones 2 Computacion en la nube 2 1 Las GPU para procesamiento general 2 2 Las GPU en la nube 2 3 Google Cloud y TensorFlow 3 Hardware 4 Referencias 5 Enlaces externosDefiniciones EditarNo existe una unica definicion de aprendizaje profundo En general se trata de una clase de algoritmos ideados para el aprendizaje automatico A partir de este punto comun diferentes publicaciones se centran en distintas caracteristicas por ejemplo Usar una cascada de capas con unidades de procesamiento no lineal para extraer y transformar variables Cada capa usa la salida de la capa anterior como entrada Los algoritmos pueden utilizar aprendizaje supervisado o aprendizaje no supervisado y las aplicaciones incluyen modelizacion de datos y reconocimiento de patrones Estar basados en el aprendizaje de multiples niveles de caracteristicas o representaciones de datos Las caracteristicas de mas alto nivel se derivan de las caracteristicas de nivel inferior para formar una representacion jerarquica Aprender multiples niveles de representacion que corresponden con diferentes niveles de abstraccion Estos niveles forman una jerarquia de conceptos Todas estas maneras de definir el aprendizaje profundo tienen en comun multiples capas de procesamiento no lineal y el aprendizaje supervisado o no supervisado de representaciones de caracteristicas en cada capa Las capas forman una jerarquia de caracteristicas desde un nivel de abstraccion mas bajo a uno mas alto Los algoritmos de aprendizaje profundo contrastan con los algoritmos de aprendizaje poco profundo por el numero de transformaciones aplicadas a la senal mientras se propaga desde la capa de entrada a la capa de salida Cada una de estas transformaciones incluye parametros que se pueden entrenar como pesos y umbrales 2 p6 No existe un estandar de facto para el numero de transformaciones o capas que convierte a un algoritmo en profundo pero la mayoria de investigadores en el campo considera que aprendizaje profundo implica mas de dos transformaciones intermedias 2 p7 Computacion en la nube EditarLas GPU para procesamiento general Editar La computacion de proposito general en unidades de procesamiento grafico GPGPU del ingles general purpose computing on graphics processing units permite ejecutar los algoritmos de entrenamiento y evaluacion de los modelos de aprendizaje profundo Debido a la naturaleza altamente paralelizable de estos problemas la utilizacion de las GPGPU permite un aumento en el desempeno de varios ordenes de magnitud Los modelos basados en la arquitectura de redes neuronales convolucionales multiples CNN en ingles Multiple Convolutional Neural Network se han propuesto en biologia por ejemplo para segmentacion de glandulas en las imagenes de histologia 3 4 Las GPU en la nube Editar Los grandes proveedores de servicios en la nube han comenzado a ofrecer servicios de infraestructura especializados para procesamiento con GPU Nvidia se ha asociado con diversos proveedores para ofrecer dichos servicios Amazon Azure e IBM por nombrar algunos 5 Google Cloud y TensorFlow Editar Acompanando a su plataforma TensorFlow Google introdujo la Machine Learning Platform que provee servicios de aprendizaje automatico modernos con modelos preentrenados y un servicio para generar modelos personalizables A diferencia de los otros proveedores se presenta como una alternativa PaaS mas que un IaaS Hardware EditarDesde la decada de 2010 los avances tanto en los algoritmos de aprendizaje automatico como en el hardware de la computadora han llevado a metodos mas eficientes para entrenar redes neuronales profundas que contienen muchas capas de unidades ocultas no lineales y una capa de salida muy grande Para 2019 las unidades de procesamiento grafico GPU a menudo con mejoras especificas de IA habian desplazado a las CPU como el metodo dominante para entrenar la IA en la nube comercial a gran escala 6 OpenAI estimo el calculo de hardware utilizado en los proyectos de aprendizaje profundo mas grandes de AlexNet 2012 a AlphaZero 2017 y encontro un aumento de 300 000 veces en la cantidad de calculo requerido con una linea de tendencia de tiempo de duplicacion de 3 4 meses 7 Referencias Editar Y Bengio A Courville and P Vincent Representation Learning A Review and New Perspectives IEEE Trans PAMI special issue Learning Deep Architectures 2013 en ingles a b J Schmidhuber Deep Learning in Neural Networks An Overview http arxiv org abs 1404 7828 2014 Sirinukunwattana K Pluim JPW Chen H Qi X Heng P A Guo YB et al 2017 Gland segmentation in colon histology images The glas challenge contest Med Image Anal 35 489 502 PMID 27614792 doi 10 1016 j media 2016 08 008 Shan D Zheng J Klimowicz A Panzenbeck M Liu Z Feng D 2021 Deep learning for discovering pathological continuum of crypts and evaluating therapeutic effects An implication for in vivo preclinical study PLoS ONE 16 6 e0252429 doi 10 1371 journal pone 0252429 Consultado el 14 de junio de 2021 GPU Cloud Computing Solutions from NVIDIA www nvidia com Consultado el 18 de noviembre de 2016 Andrew Trask 2019 Grokking Deep Learning Manning ISBN 978 1617293702 AI and Compute OpenAI en ingles 16 de mayo de 2018 Archivado desde el original el 17 June 2020 Consultado el 11 June 2020 Parametro desconocido url status ignorado ayuda Enlaces externos EditarTutorial de aprendizaje profundo de Hinton en ingles Centro para el Aprendizaje Biologico y Computacional CBCL Center for Biological and Computational Learning en ingles Datos Q197536 Multimedia Deep learning Obtenido de https es wikipedia org w index php title Aprendizaje profundo amp oldid 138581609, wikipedia, wiki, leyendo, leer, libro, biblioteca,

español

, española, descargar, gratis, descargar gratis, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, imagen, música, canción, película, libro, juego, juegos