ENSAYO “DEEP LEARNING”

                                                                [pic 1]

 UNIVERSIDAD TÉCNICA DE MANABÍ

FACULTAD DE CIENCIAS INFORMÁTICAS

ESCUELA DE INGENIERÍA EN SISTEMAS

[pic 2]

NEGOCIACIÓN INFORMÁTICA.

ENSAYO

 “DEEP LEARNING”

AUTOR:

• Valencia Solorzano Eduardo Luis.
• Vélez Hidalgo Elvis Josué.
• Villareal Álava Cristopher Geovanny.[pic 3]

DOCENTE:
Ing. Cedeño Palma Emilio Antonio.

NIVEL:

Octavo Semestre Paralelo “A”

PERÍODO ACADÉMICO:

Abril - Agosto 2018.

Introducción.

El Deep Learning lleva a cabo el proceso de Machine Learning usando una red neuronal artificial que se compone de un número de niveles jerárquicos. En el nivel inicial de la jerarquía la red aprende algo simple y luego envía esta información al siguiente nivel. El siguiente nivel toma esta información sencilla, la combina, compone una información algo un poco más compleja, y se lo pasa al tercer nivel, y así sucesivamente. (Moreno, 2017)

El autor “Moreno” explica claramente que es y para qué sirve el Deep Learning, esta palabra es un concepto que ha ganado fuerza recientemente, pero el trabajo ha estado en ejecución desde hace 30 años, con constantes investigaciones y pruebas; este tiempo fue el indicador de que este trabajo iba bien encaminado, ya que hoy en día ha tenido un auge impactante, gracias a los avances computacionales y uso de neuronas artificiales avanzadas, que hace posible una de las formas más optimas de utilizar esta tecnología.

En los tiempos actuales la inteligencia artificial ocupa el centro de atención de casi todo el mundo, incluyendo sectores empresariales, juegos, redes sociales, etc. Esto debido a que esta inteligencia artificial y en esencial el “Deep Learning”, que funciona basándose en técnicas las cuales pueden ser aplicadas a tareas como por ejemplo de juegos de video, dado que utiliza un aprendizaje basado en prueba y error, por lo que aprende sola básicamente, esto ha propiciado que, en poco tiempo, pueda ganarles a jugadores humanos profesionales.

“Otra aplicación llamativa ha sido desarrollada en la Universidad de Tubingen y permite generar versiones de una imagen imitando el estilo de diferentes artistas y estilos pictóricos.” (Moreno, 2017)

El Deep Learning representa un acercamiento más íntimo al modo de funcionamiento del sistema nervioso humano. Nuestro encéfalo tiene una microarquitectura de gran complejidad, en la que se han descubierto núcleos y áreas diferenciados cuyas redes de neuronas están especializadas para realizar tareas específicas. (Arrabales, 2017)

Desarrollo.

En Deep Learning el modo en el que se estructura sus funciones lógicas, se igualan en un gran orden al sistema nervioso de los seres humanos, obteniendo capas de unidades de proceso, que en pocas palabras son las famosas “Neuronas Artificiales”, estas se encargan de dar una visión general de las características de determinados objetos, tal como lo dice en el artículo de (Arrabales, 2017) que dice que “La visión artificial es una de las áreas donde el Deep Learning proporciona una mejora considerable en comparación con algoritmos más tradicionales. Existen varios entornos y bibliotecas de código de Deep Learning que se ejecutan en las potentes GPUs modernas tipo CUDA, como por ejemplo NVIDIA cuDNN.”

Cuando hablamos de la tecnología del Deep Learning podemos asociarlo directamente con el desarrollo de la Inteligencia Artificial. Y ya que sus aplicaciones son muy variadas podemos decir que pueden revolucionar el mundo de las maquinas.

Las posibles aplicaciones que tiene el Deep Learning son casi infinitos, solo viene ligado a la creatividad e ingenio de las personas que están trabajando en ella. Pero estas son las aplicaciones que por ahora han tenido más relevancia: (datos obtenidos desde la página de ilefebelt  :(https://ilifebelt.com/aplicaciones-del-deep-learning/2018/02/ )

1. Coloración Automática de imágenes en blanco y negro. – El Deep Learning es capaz de poder procesar criterios reales para darle color a una imagen, esto lo logra ya que tiene un gran juicio visual, que le ayuda a determinar objetos y su contexto dentro de una fotografía en blanco y negro, para después del procesamiento ser coloreada a su conveniencia, obteniendo unos resultados impresionantes, semejantes a la realidad en sí.
2. Agregación Automática de Audio a videos sin sonido. – El sistema está basado en prueba y error por lo que fue equipado con 1000 ejemplos de videos con sonidos, al momento de darle videos sin sonido, asocia los elementos visuales con sonidos que coincida con la base de datos que fue pregrabada y entrenada con los videos de prueba, otorgando unos resultados que son más que aceptables.
3. Traducción automática. – La traducción es uno de los aspectos más fuertes del Deep learning, esta se está trabajando de dos maneras la traducción de texto y la otra de imágenes, como se podrán imaginar las redes neuronales se centran en identificar imágenes que tienen caracteres y donde encuentras letras en el objeto.

El Aprendizaje profundo tiene un potencial en distintos tipos de aplicaciones en el mundo real y es por esto por lo que ha llamado mucho la atención en el campo de la Inteligencia Artificial, sobre todo porque se obtienen los mejores resultados en cuando al entrenamiento “no supervisado” se refiere.

Se requiere de una gran cantidad de datos de entrenamiento así mismo de un poder de procesamiento inmenso para poder lograr un nivel de precisión aceptable. Aun así y gracias a que el Aprendizaje Profundo puede crear modelos estadísticos complejos a partir de su salida iterativa, es capaz de crear modelos predictivos precisos a partir de grandes cantidades de datos no etiquetados no estructurados (Rouse, 2017).