Redes neuronales
[Link] Zenteno
Repaso
Big data: La definición de Gartner, de aproximadamente 2001
y que con<núa siendo la definición de referencia señala:
Big data son datos que con<enen una mayor variedad y que se
presentan en volúmenes crecientes y a una velocidad superior.
Esto se conoce como "las tres V".
• Volumen
• Velocidad
• Variedad
Big Data
La cantidad de datos importa. Con big data, tendrá que procesar grandes volúmenes
de datos no estructurados de baja densidad. Puede tratarse de datos de valor
desconocido, como feeds de datos de Twitter, flujos de clics de una página web o
Volumen aplicación para móviles, o equipo con sensores. Para algunas organizaciones, esto
puede suponer decenas de terabytes de datos. Para otras, incluso cientos de
petabytes.
La velocidad es el ritmo al que se reciben los datos y (posiblemente) al que se utilizan.
Por lo general, la mayor velocidad de los datos se transmite directamente a la
Velocidad memoria, en vez de escribirse en un disco. Algunos productos inteligentes habilitados
para Internet funcionan en tiempo real o prácticamente en tiempo real y requieren
una evaluación y actuación en tiempo real.
La variedad hace referencia a los diversos tipos de datos disponibles. Los tipos de
datos convencionales eran estructurados y podían organizarse claramente en una base
de datos relacional. Con el auge del big data, los datos se presentan en nuevos tipos de
Variedad datos no estructurados. Los tipos de datos no estructurados y semiestructurados,
como el texto, audio o video, requieren un preprocesamiento adicional para poder
obtener significado y habilitar los metadatos.
Repaso
Inteligencia artificial:
Subdisciplina de la informática que busca la creación de
maquinas que imiten comportamientos inteligentes.
Fue acuñada por primera vez en 1955
Se clasifica en débil y fuerte
Repaso
Deep learning:
No existe una única definición de aprendizaje profundo. En general se trata de una clase de
algoritmos ideados para el aprendizaje automá>co. A par>r de este punto común, diferentes
publicaciones se centran en dis>ntas caracterís>cas, 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 u>lizar aprendizaje supervisado o aprendizaje no supervisado, y las
aplicaciones incluyen modelización de datos y reconocimiento de patrones.
• Estar basados en el aprendizaje de múl>ples niveles de caracterís>cas o representaciones
de datos. Las caracterís>cas de más alto nivel se derivan de las caracterís>cas de nivel
inferior para formar una representación jerárquica.
• Aprender múl>ples niveles de representación que corresponden con diferentes niveles de
abstracción. Estos niveles forman una jerarquía de conceptos.
Repaso
Repaso
Machine learning o aprendizaje automá<co:
Rama de la inteligencia ar<ficial que busca dotar a las máquinas
de capacidad de aprendizaje, termino acuñado en 1959
Es una derivación de inteligencia ar<ficial que crea sistemas que
aprenden de manera automa<zada, es decir, iden<ficar patrones
complejos en millones de datos, predecir comportamientos todo
mediante un algoritmo y que además de todo son capaces de
mejorarse de manera independiente con el <empo
Diferencia entre machine y deep learning
Su principal diferencia es, pues, el
tipo de algoritmos que se usan en
cada caso, aunque el deep
learning se parece más al
aprendizaje humano por su
funcionamiento como neuronas.
El machine learning acostumbra
a usar árboles de decisión y
el deep learning redes
neuronales, que están más
evolucionadas.
Neurona artificial
Neurona ar<ficial
X: Es el valor de la entrada
W: Es el peso de esa
variable
B: Bias es el sesgo
S: Función de activación
(cuando enviar
información a la siguiente
Y
neurona)
Neurona artificial
Error cuadrático medio
Diferencia con el valor conocido
Gradiente descendiente
Perceptron
Definición perceptrón
• El perceptrón es la forma más simple de una red neuronal
usada para la clasificación de un tipo especial de patrones, los
linealmente separables (es decir, patrones que se encuentran a
ambos lados de un hiperplano). ... La prueba de convergencia
del algoritmo es conocida como el teorema de convergencia
del perceptrón
Redes neuronales, ¿qué son?
Las redes neuronales son modelos simples del funcionamiento
del sistema nervioso. Las unidades básicas son las neuronas, que
generalmente se organizan en capas, como se muestra en la
siguiente ilustración
Redes neuronales, ¿cómo están
estructuradas?
Estructura de una red neuronal
Una red neuronal
está constituida por nodos, o
unidades, que están unidas
mediante conexiones. Algunas
de las
unidades están conectadas al
ambiente externo y se designan
como unidades de entrada o de
salida según reciban estímulos
externos o den la respuesta del
sistema, respectivamente.
Redes neuronales
Las unidades de procesamiento se organizan en capas. Hay tres partes
normalmente en una red neuronal :
1. una capa de entrada, con unidades que representan los campos de entrada;
2. una o varias capas ocultas; y
3. una capa de salida, con una unidad o unidades que representa el campo o los
campos de destino. Las unidades se conectan con fuerzas de conexión variables
(o ponderaciones).
Los datos de entrada se presentan en la primera capa, y los valores se propagan
desde cada neurona hasta cada neurona de la capa siguiente. al final, se envía un
resultado desde la capa de salida.
Redes neuronales, ¿Cómo funcionan?
La red aprende examinando los registros individuales, generando
una predicción para cada registro y realizando ajustes a las
ponderaciones cuando realiza una predicción incorrecta. Este
proceso se repite muchas veces (Iteración) y la red sigue
mejorando sus predicciones hasta haber alcanzado uno o varios
criterios de parada. Ejemplo calificación obtenida por estudiante
Redes neuronales
Al principio, todas las ponderaciones son aleatorias y las respuestas que
resultan de la red son, posiblemente, disparatadas. La red aprende a
través del entrenamiento. Con:nuamente se presentan a la red ejemplos
para los que se conoce el resultado, y las respuestas que proporciona se
comparan con los resultados conocidos. La información procedente de
esta comparación se pasa hacia atrás a través de la red (Backpropaga:on),
cambiando las ponderaciones gradualmente. A medida que progresa el
entrenamiento, la red se va haciendo cada vez más precisa en la
replicación de resultados conocidos. Una vez entrenada, la red se puede
aplicar a casos futuros en los que se desconoce el resultado. Ejemplo de
empresa con malos resultados
