Introducción al aprendizaje profundo

¿Qué es el aprendizaje profundo?
El aprendizaje profundo es una rama del aprendizaje automático que se basa completamente en redes neuronales artificiales , ya que la red neuronal imitará al cerebro humano, por lo que el aprendizaje profundo también es una especie de imitación del cerebro humano. En el aprendizaje profundo, no necesitamos programar todo explícitamente. El concepto de aprendizaje profundo no es nuevo. Ha existido durante un par de años. Hoy en día está de moda porque antes no teníamos tanta potencia de procesamiento ni muchos datos. Como en los últimos 20 años, el poder de procesamiento aumenta exponencialmente, el aprendizaje profundo y el aprendizaje automático entraron en escena.
Una definición formal de aprendizaje profundo es: neuronas

El aprendizaje profundo es un tipo particular de aprendizaje automático que logra un gran poder y flexibilidad al aprender a representar el mundo como una jerarquía anidada de conceptos, con cada concepto definido en relación con conceptos más simples y representaciones más abstractas calculadas en términos de otras menos abstractas.

En el cerebro humano, aproximadamente 100 mil millones de neuronas juntas, esta es una imagen de una neurona individual y cada neurona está conectada a través de miles de sus vecinas.
La pregunta aquí es cómo recreamos estas neuronas en una computadora. Entonces, creamos una estructura artificial llamada red neuronal artificial donde tenemos Nodes o neuronas. Tenemos algunas neuronas para el valor de entrada y algunas para el valor de salida y en el medio, puede haber muchas neuronas interconectadas en la capa oculta.

Arquitecturas :

1. Red neuronal profunda : es una red neuronal con un cierto nivel de complejidad (que tiene múltiples capas ocultas entre las capas de entrada y salida). Son capaces de modelar y procesar relaciones no lineales.
2. Deep Belief Network (DBN) : es una clase de red neuronal profunda. Son redes de creencias de múltiples capas.
   Pasos para realizar DBN:
   a. Aprenda una capa de características de unidades visibles utilizando el algoritmo de divergencia contrastiva.
   b. Trate las activaciones de funciones previamente entrenadas como unidades visibles y luego aprenda funciones de funciones.
   C. Finalmente, se entrena toda la DBN cuando se logra el aprendizaje de la capa oculta final.
3. Recurrente (realizar la misma tarea para cada elemento de una secuencia) Red neuronal : permite el cálculo paralelo y secuencial. Similar al cerebro humano (gran red de retroalimentación de neuronas conectadas). Son capaces de recordar cosas importantes sobre la entrada que recibieron y, por lo tanto, les permite ser más precisos.

Diferencia entre aprendizaje automático y aprendizaje profundo:

Aprendizaje automático	Aprendizaje profundo
Funciona en una pequeña cantidad de conjunto de datos para mayor precisión.	Funciona en una gran cantidad de conjuntos de datos.
Depende de la máquina de gama baja.	Gran dependencia de la máquina de gama alta.
Divide las tareas en subtareas, las resuelve individualmente y finalmente combina los resultados.	Resuelve el problema de principio a fin.
Toma menos tiempo para entrenar.	Toma más tiempo para entrenar.
El tiempo de prueba puede aumentar.	Menos tiempo para probar los datos.

Trabajo:
primero, debemos identificar el problema real para obtener la solución correcta y debe entenderse, también debe verificarse la viabilidad del aprendizaje profundo (si debe encajar en el aprendizaje profundo o no). En segundo lugar, necesitamos identificar los datos relevantes que deben corresponder al problema real y deben prepararse en consecuencia. En tercer lugar, elija el algoritmo de aprendizaje profundo de forma adecuada. Cuarto, se debe usar el algoritmo mientras se entrena el conjunto de datos. En quinto lugar, se deben realizar pruebas finales en el conjunto de datos.

Herramientas utilizadas:
Anaconda, Jupyter, Pycharm, etc.

Lenguajes utilizados:
R, Python, Matlab, CPP, Java, Julia, Lisp, Java Script, etc.

Ejemplos de la vida real:

 How to recognize square from other shapes?
...a) Check the four lines!
...b) Is it a closed figure?
...c) Does the sides are perpendicular from each other?
...d) Does all sides are equal?

So, Deep Learning is a complex task of identifying the shape and broken down into simpler 
tasks at a larger side.

 Recognizing an Animal! (Is it a Cat or Dog?)
Defining facial features which are important for classification and system will then identify this automatically.
(Whereas Machine Learning will manually give out those features for classification)

Limitaciones:

1. Aprender solo a través de la observación.
2. El tema de los sesgos.

ventajas :

1. El mejor desempeño de su clase en problemas.
2. Reduce la necesidad de ingeniería de características.
3. Elimina costes innecesarios.
4. Identifica fácilmente los defectos que son difíciles de detectar.

Desventajas:

1. Gran cantidad de datos requeridos.
2. Computacionalmente caro de entrenar.
3. Sin fundamento teórico sólido.

Aplicaciones:

1. Generación automática de texto: se aprende el corpus de texto y, a partir de este modelo, se genera texto nuevo, palabra por palabra o carácter por carácter.
   Entonces este modelo es capaz de aprender a deletrear, puntuar, formar oraciones, o incluso puede capturar el estilo.
2. Cuidado de la salud : ayuda a diagnosticar diversas enfermedades y tratarlas.
3. Traducción automática automática: ciertas palabras, oraciones o frases en un idioma se transforman en otro idioma (el aprendizaje profundo está logrando los mejores resultados en las áreas de texto e imágenes).
4. Reconocimiento de imágenes : reconoce e identifica personas y objetos en imágenes, así como para comprender el contenido y el contexto. Esta zona ya se está utilizando en Gaming, Retail, Turismo, etc.
5. Predicción de terremotos : le enseña a una computadora a realizar cálculos viscoelásticos que se utilizan para predecir terremotos.

Coautor de este artículo: ujjwal sharma 1