APLICACIÓN DE DERIVADAS EN DEEP LEARNING

APLICACIÓN DE DERIVADAS EN DEEP LEARNING

INTRODUCCIÓN

En estos últimos tiempos la tecnología a entrado en nuevas investigaciones, siendo esta, parte del día a día de las personas.

Una de las innovaciones de las cuales hemos podido ser testigos, es acerca de la Artificial Intelligence, viniendo de la mano tenemos al Machine Learning y al Deep Learning.

En este trabajo de investigación trataremos acerca del último tema “Deep Learning” y de cómo se aplican las derivadas para obtener mejores resultados.

Primero debemos tener en cuenta y saber qué es la Artificial Intelligence(Inteligencia Artificial), el Machine Learning (Aprendizaje Automático) y el Deep Learning (Aprendizaje Profundo), así como sus diferencias. Forbes en su artículo nos dice:

 “AI (Artificial Intelligence) es un subcampo de la informática que se creó en la década de 1960, y se preocupó por resolver tareas que son fáciles para los humanos pero difíciles para las computadoras. En particular, una llamada Strong AI sería un sistema que puede hacer cualquier cosa que un humano pueda (quizás sin cosas puramente físicas).

(…) Machine Learning es el estudio científico de algoritmos y modelos estadísticos que utilizan los sistemas informáticos para realizar una tarea específica de manera efectiva sin utilizar instrucciones explícitas, confiando en los patrones y la inferencia. Se ve como un subconjunto de Artificial Intelligence.

(…) Deep Learning es un tipo de machine learning que es muy popular ahora. Implica un tipo particular de modelo matemático que se puede considerar como una composición de bloques simples (composición de funciones) de un tipo determinado, y donde algunos de estos bloques se pueden ajustar para predecir mejor el resultado final. La palabra "Deep" significa que la composición tiene muchos de estos bloques apilados uno encima del otro, y el bit complicado es cómo ajustar los bloques que están lejos de la salida, ya que un pequeño cambio puede tener efectos muy indirectos en la salida. Esto se hace a través de algo llamado Backpropagation dentro de un proceso más grande llamado Gradient decent,  que le permite cambiar los parámetros de una manera que mejore su modelo.”

[pic 1]

Luego de esta breve explicación, podemos decir que el Deep Learning  usa una red neuronal artificial la cual se compone de distintos niveles letárgicos para procesar el Machine Learning. De igual manera nos permite entrenar una máquina de AI para predecir salidas dado un set de Entradas.

Supongamos el ejemplo de un gato, se puede programar a un ordenador para identificar a un animal como “gato” escribiendo un código el cual indique al programa que escoja algo como “gato” cuando se vea una imagen con las especificaciones dadas(ML). EL deep learning podría usar las diferencias entre las zonas claras y zonas oscuras de la imagen para saber dónde están los bordes. Luego, esta información pasa a otro nivel, en el cual se combinaran los bordes para crear así  formas simples como una línea diagonal o un ángulo recto. Se pasa esta información a otro nivel, en el cual se combinan las formas simples para obtener formas más complejas como óvalos o rectángulos. Se puede pasar a un nivel más alto para unir estas formas complejas para terminar formando las patitas o colas rudimentarias. Este proceso continuaría hasta llegar al nivel más alto donde se lograría identificar gatos en la red.

...