Anda di halaman 1dari 34

Deep Learning: Es una serie de algoritmos emparentados con las redes

neuronales que tienen la misma finalidad y un rendimiento mayor que


otras formas de Machine Learning. La mayor diferencia es
la capacidad de abstraccin.

Ejemplos:

Para clasificar naranjas y manzanas con una red neuronal es


necesario extraer caractersticas que definan las frutas. Estas
caractersticas pueden ser el color, la forma, el tamao, etc.
Representar las frutas mediante estas caractersticas es una forma
de abstraccin que debe ser diseada por la persona que entrene
la red neuronal.
Detector de rostros en imgenes. Es muy fcil codificar una
imagen como una lista de nmeros. De hecho, ya las codificamos
as en los ordenadores. Por tanto, esta red recibira tantos
nmeros a su entrada como pxeles tienen nuestras imgenes.

Cuando aplicarlo.

Los algoritmos Deep learning son capaces de realizar una abstraccin


semejante por s mismos, sin necesidad de que alguien la disee
previamente. Por esta razn se dice que el Deep Learning no slo es
capaz de aprender, sino que, adems, puede encontrar significado.

Grandes empresas como Google o Facebook usan Deep Learning de


manera rutinaria en sus productos para reconocer caras y para
interpretar el lenguaje natural. Es de esperar un gran desarrollo de
aplicaciones basadas en Deep Learning debido a la necesidad de
automatizar el tratamiento inteligente de las enormes cantidades de
datos que se generan a diario y, adems, porque hay una serie de
herramientas open source que ponen estos algoritmos al alcance de
todos, como Theano, TensorFlow, H2O u OpenAI Gym .

El xito de las aplicaciones industriales del Deep Learning depender de


la disponibilidad de grandes cantidades de datos de calidad, de los
recursos de computacin disponibles y de su aplicacin a problemas
apropiados. La deteccin y clasificacin de defectos o averas, el
modelado de sistemas para su control y la deteccin de anomalas
podran ser las primeras aplicaciones prcticas exitosas.

Los modelos computacionales de Deep Learning imitan estas


caractersticas arquitecturales del sistema nervioso, permitiendo que
dentro del sistema global haya redes de unidades de proceso que se
especialicen en la deteccin de determinadas caractersticas ocultas en
los datos. Este enfoque ha permitido mejores resultados en tareas de
percepcin computacional, si las comparamos con las redes monolticas
de neuronas artificiales.
Ejemplos Python Deep Learning.

Ejemplo 1.
Ejemplo 2.
Ejemplo 3.
Redes neuronales: Una red neuronal es un algoritmo que imita el
funcionamiento de las neuronas y de las conexiones que hay entre ellas
y son entrenadas para que tengan la capacidad de desempear una
tarea. Se dice que una red neuronal aprende mediante el entrenamiento
porque no hay una programacin explcita para realizar una tarea, sino
que la red se programa sola a partir de ejemplos. Las redes neuronales
son el mayor exponente del llamado machine Learning o aprendizaje
automtico.

Ejemplos:

Una serie de operaciones matemticas sobre una lista de


nmeros, que da como resultado otra lista de nmeros. Otra
forma de verlas, es como un procesador de informacin, que
recibe informacin entrante, codificada como nmeros, hace un
poco de magia, y produce como resultado informacin saliente,
codificada como otros nmeros.
Un ejemplo concreto sera una red de neuronas que detecte
rostros en imgenes.
Codificar una imagen como una lista de nmeros. De hecho, ya las
codificamos as en los ordenadores. Por tanto, esta red
recibira tantos nmeros a su entrada como pxeles tienen
nuestras imgenes (o tres por cada pxel si utilizamos imgenes
en color)

Cuando aplicarlo.

Las redes neuronales pueden aprender a clasificar y a imitar el


comportamiento de sistemas complejos. Si queremos que aprenda a
diferenciar entre manzanas y naranjas slo tenemos que mostrarle unos
cuantos ejemplares de ambas frutas y decirle, a la vez, si se trata de
una manzana o de una naranja. Una vez entrenada la red neuronal
sabr si est ante una manzana o una naranja. Lo interesante es que lo
sabr aunque las manzanas y naranjas no sean las que se le ensearon
durante el entrenamiento ya que las redes neuronales no memorizan,
sino que generalizan. Esa es la clave del aprendizaje de las mquinas.

Y si la informacin que esperamos a la salida es que nos diga si hay


un rostro o no, basta con un solo nmero. en la lista saliente. Podemos
imaginar que si ese nmero, que sale de la red, toma un valor cercano a
1.0 significa que hay un rostro, y si toma un valor cercano a 0.0 significa
que no lo hay. Valores intermedios se pueden interpretar como
inseguridad, o probabilidad.

Ejemplos Python Redes Neuronales.

Ejemplo 1.
Ejemplo 2.
Ejemplo 3.
Machine Learning: Una de las claves de la IA avanzada est en
el aprendizaje. Es cada vez ms habitual que les pidamos a las
mquinas que aprendan por s solas. No podemos permitirnos el lujo de
pre-programar reglas para lidiar con las infinitas combinaciones de datos
de entrada y situaciones que aparecen en el mundo real.

En vez de hacer eso, necesitamos que las mquinas sean capaces de


auto-programarse, en otras palabras, queremos mquinas que aprendan
de su propia experiencia. La disciplina del Aprendizaje
Automtico (Machine Learning) se ocupa de este reto y gracias a la
tormenta perfecta en la que nos acabamos de adentrar todos los
gigantes de Internet han entrado de lleno en el mundo del aprendizaje
automtico, ofreciendo servicios en la nube para construir aplicaciones
que aprenden a partir de los datos que ingieren.

Hoy en da el aprendizaje automtico est ms que nunca al alcance de


cualquier programador. Para experimentar con estos servicios tenemos
plataformas como IBM Watson Developer Cloud, Amazon Machine
Learning, Azure Machine Learning, TensorFlow o BigML.

Entender los algoritmos de aprendizaje es fcil si nos fijamos en cmo


aprendemos nosotros mismos desde nios. El aprendizaje por refuerzo
engloba un grupo de tcnicas de aprendizaje automtico que a menudo
usamos en los sistemas artificiales. En estos sistemas, al igual que en
los nios, las conductas que se premian tienden a aumentar su
probabilidad de ocurrencia, mientras que las conductas que se castigan
tienden a desaparecer.

Este tipo de enfoques se denominan aprendizaje supervisado, pues


requiere de la intervencin de los humanos para indicar qu est bien y
qu est mal (es decir, para proporcional el refuerzo). En muchas otras
aplicaciones de la computacin cognitiva los humanos, aparte del
refuerzo, tambin proporcionan parte de la semntica necesaria para
que los algoritmos aprendan.

Ejemplo:

En el caso de un software que debe aprender a diferenciar los


diferentes tipos de documentos que recibe una oficina, son los
humanos los que inicialmente han de etiquetar un conjunto
significativo de ejemplos para que posteriormente la mquina
pueda aprender.
Los algoritmos cuentan con un conjunto de entrenamiento
proporcionado por los humanos, entonces son capaces de
generalizar y empezar a clasificar documentos de forma
automtica sin intervencin humana.
En el mbito de la visin artificial, para que los algoritmos
aprendan a detectar objetos en las imgenes de forma automtica
han de entrenarse previamente con un buen conjunto de
imgenes etiquetadas, como por ejemplo Microsoft COCO.

En la actualidad son estas restricciones o limitaciones de entrenamiento


de los algoritmos las que en buena medida limitan su potencia, pues se
requieren buenos conjuntos de datos de entrenamiento (a menudo,
etiquetados de forma manual por humanos) para que los algoritmos.

Ejemplos Python Machine Learning.

Ejemplo 1.
Ejemplo 2.
Text blob (Procesamiento de texto simplificado): TextBlob es un
Python (2 y 3) de la biblioteca para el procesamiento de datos de
texto. Proporciona una API simple para sumergirse en comn de
procesamiento de lenguaje natural (NLP) tareas tales como el
etiquetado parte de discurso, la extraccin de un sintagma nominal, el
anlisis de opiniones, la clasificacin, la traduccin, y ms.

Caractersticas.

Extraccin sintagma nominal


Etiquetado gramatical
Anlisis de los sentimientos
Clasificacin (Naive Bayes, rbol de decisin)
Traduccin de idiomas y la deteccin impulsado por Google
Translate
Tokenization (texto divisin en palabras y frases)
Palabras y frases frecuencias
Anlisis
n-grams
Palabra de inflexin (pluralizacin y la singularizacin) y
lematizacin
Correccin ortogrfica
Aadir nuevos modelos o lenguajes a travs de extensiones
la integracin de WordNet

Ejemplos Python Text blob.

Ejemplo 1.
Tensor Flow: Es una biblioteca de software de cdigo abierto para el
clculo numrico usando grficos de flujo de datos. Los nodos en el
grfico representan operaciones matemticas, mientras que los bordes
del grfico representan los arreglos de datos multidimensionales
(tensores) comunicados entre ellos. La arquitectura flexible le permite
implementar el clculo de una o ms CPU o GPU en una computadora de
escritorio, servidor o dispositivo mvil con una sola API. TensorFlow fue
originalmente desarrollado por investigadores e ingenieros que trabajan
en el equipo de cerebro Google dentro de la organizacin de
investigacin de la mquina de Inteligencia de Google con el fin de llevar
a cabo el aprendizaje de mquina y profunda investigacin de redes
neuronales, pero el sistema es lo suficientemente generales como para
ser aplicable en una amplia variedad de otros dominios bien.

Cuando aplicarlo.

TensorFlow es la segunda generacin de esta inteligencia artificial, un


software de aprendizaje automtico hecho para corregir todos esos
problemas de la primera generacin. En palabras de Google, TensorFlow
es general, flexible, portable, fcil de usar, y completamente de cdigo
abierto. En las pruebas ha conseguido ser el doble de rpido que
DistBelief, y podemos hacer cualquier cosa que se nos ocurra a travs
de una interfaz Python.

Google afirma que TensorFlow sirve tanto para investigacin como para
usarlo en productos reales, y lo mejor de todo es que TensorFlow es
completamente nuestro: todo el cdigo de TensorFlow, las herramientas
asociadas, los ejemplos y los tutoriales son de cdigo abierto y estn
licenciados con una licencia Apache 2.0. En otras palabras, no
tendremos problema alguno en aprovechar todo el potencial de
TensorFlow

Ejemplos Python TensorFlow.

Ejemplo 1.
Ejemplo 2.

Ejemplo 3.
NLTK:
NLTK es una plataforma lder para la creacin de programas de Python
para trabajar con los datos del lenguaje humano. Proporciona interfaces
fciles de usar para ms de 50 corpus y recursos lxicos tales como
WordNet, junto con un conjunto de bibliotecas de procesamiento de
texto para la clasificacin, tokenizacin, derivado, etiquetado, anlisis y
de razonamiento semntico, contenedores para las bibliotecas de PNL de
potencia industrial, y un activo foro de discusin .

NLTK se ha llamado una maravillosa herramienta para la enseanza, y


el trabajo en, lingstica computacional utilizando Python, y una
biblioteca increble para jugar con el lenguaje natural.

Cuando aplicarlo.

Gracias a una gua prctica en la introduccin de fundamentos de


programacin junto con temas de lingstica computacional, adems de
una amplia documentacin de la API, NLTK es adecuado para usuarios
de lingistas, ingenieros, estudiantes, educadores, investigadores y la
industria por igual. NLTK est disponible para Windows, Mac OS X y
Linux. Lo mejor de todo, NLTK es un cdigo abierto, libre proyecto,
impulsado por la comunidad.

Ejemplos de Siraj Raval.


TensorFlow.
Ejemplo 2.
Ejemplo 3.
Ejemplo 4.

Anda mungkin juga menyukai