El Deep Learning usa ANN. Primero, veremos algunas aplicaciones de Deep Learning que le darán una idea de sus capacidades.
El Deep Learning ha tenido un gran éxito en varias áreas de las aplicaciones de aprendizaje automático.
VehÃculos no tripulados – Los vehÃculos autónomos autónomos utilizan técnicas de Deep Learning. Por lo general, se adaptan a las condiciones de la carretera en constante cambio y mejoran cada vez más con el tiempo.
Reconocimiento de voz – Otra aplicación interesante de Deep Learning es el reconocimiento de voz. Todos usamos hoy en dÃa varias aplicaciones móviles que pueden reconocer nuestro habla. Apple Siri, Amazon Alexa, Microsoft Cortena y Google Assistant utilizan técnicas de Deep Learning.
Aplicaciones móviles – Usamos varias aplicaciones web y móviles para organizar nuestras fotos. El reconocimiento facial, la identificación facial, el etiquetado facial y la identificación de objetos en una imagen requieren un Deep Learning.
Después de ver el gran éxito de las aplicaciones de Deep Learning en muchas áreas, la gente comenzó a explorar otras áreas en las que aún no se habÃa aplicado el aprendizaje automático. Hay varias áreas donde las técnicas de Deep Learning se han aplicado con éxito y hay muchas otras áreas que se pueden utilizar. Algunos de ellos se comentan aquÃ.
La agricultura es una de esas industrias en las que las personas pueden aplicar técnicas de Deep Learning para aumentar los rendimientos.
La financiación al consumidor es otra área en la que el aprendizaje automático puede ayudar significativamente en la detección temprana de fraudes y el análisis de la solvencia de los clientes.
El Deep Learning también se está utilizando en el campo médico para crear nuevos medicamentos y entregar una receta personalizada al paciente.
Las posibilidades son infinitas y debe observar constantemente la frecuencia con la que aparecen nuevas ideas y desarrollos.
Para aprovechar el Deep Learning, el poder de las supercomputadoras es imprescindible. Para desarrollar modelos de Deep Learning, necesita tanto memoria como CPU. Afortunadamente, hoy tenemos fácil disponibilidad de HPC – Computación de alto rendimiento. Esto hace que el desarrollo de las aplicaciones de Deep Learning que mencionamos anteriormente sea una realidad hoy, y en el futuro también podremos ver aplicaciones en esas áreas sin explotar que discutimos anteriormente.
Ahora veremos algunas de las limitaciones del Deep Learning que debemos considerar antes de usarlo en nuestra aplicación de aprendizaje automático.
Algunos de los puntos importantes a considerar antes de usar el Deep Learning se enumeran a continuación:
Ahora exploraremos cada una de estas limitaciones en detalle.
ANN es como una caja negra. Le da una entrada especÃfica y le proporcionará una salida especÃfica. El siguiente diagrama muestra una de esas aplicaciones en la que carga una imagen de un animal en una red neuronal y le dice que es una imagen de un perro.
Este enfoque se denomina método de caja negra porque no sabe por qué la red produjo un resultado en particular. ¿Sabes cómo llegó Internet a la conclusión de que esto es un perro? Ahora considere una aplicación bancaria en la que un banco quiere determinar la solvencia de un cliente. La red definitivamente le dará la respuesta a esta pregunta. Sin embargo, ¿podrá justificar esto frente al cliente? Los bancos deben explicar a sus clientes por qué no se aplican sanciones al préstamo.
El proceso de entrenamiento de la red neuronal se muestra en el siguiente diagrama:
Primero, defina el problema que desea resolver, cree una especificación para él, seleccione las funciones de entrada, diseñe la red, impleméntela y pruebe la salida. Si el resultado no es el esperado, tómelo como un consejo para reestructurar su red. Este es un proceso iterativo que puede requerir varias iteraciones hasta que la red temporal esté completamente entrenada para obtener los resultados deseados.
Las redes de Deep Learning generalmente requieren grandes cantidades de datos para entrenar, mientras que los algoritmos tradicionales de aprendizaje automático se pueden usar con éxito incluso con varios miles de puntos de datos. Afortunadamente, el volumen de datos está creciendo a un 40% por año y la potencia de procesamiento del procesador está creciendo a un 20% por año, como se muestra en el diagrama a continuación:
El entrenamiento de una red neuronal requiere varias veces más potencia de cálculo que los algoritmos tradicionales. Pueden ser necesarias varias semanas de entrenamiento para entrenar con éxito redes neuronales profundas.
Por el contrario, el aprendizaje de los algoritmos tradicionales de aprendizaje automático solo lleva unos minutos / horas. Además, la cantidad de potencia de procesamiento necesaria para entrenar una red neuronal profunda depende en gran medida del tamaño de sus datos y de la profundidad y complejidad de la red.
Después de una descripción general de qué es el aprendizaje automático, sus capacidades, limitaciones y aplicaciones, ahora vamos a sumergirnos en el aprendizaje del aprendizaje automático.
🚫