Aprendizaje automático: aprendizaje profundo
El aprendizaje profundo usa ANN. Primero veremos algunas aplicaciones de aprendizaje profundo que le darán una idea de su poder.
Aplicaciones
El aprendizaje profundo ha tenido mucho éxito en varias áreas de las aplicaciones de aprendizaje automático.
Self-driving Cars- Los coches autónomos autónomos utilizan técnicas de aprendizaje profundo. Por lo general, se adaptan a las situaciones de tráfico en constante cambio y mejoran cada vez más en la conducción durante un período de tiempo.
Speech Recognition- Otra aplicación interesante del Deep Learning es el reconocimiento de voz. Todos usamos hoy en día varias aplicaciones móviles que son capaces de reconocer nuestro habla. Siri de Apple, Alexa de Amazon, Cortena de Microsoft y Asistente de Google: todos ellos utilizan técnicas de aprendizaje profundo.
Mobile Apps- Usamos varias aplicaciones móviles y basadas en la web para organizar nuestras fotos. Detección de rostros, identificación de rostros, etiquetado de rostros, identificación de objetos en una imagen: todo esto utiliza el aprendizaje profundo.
Oportunidades desaprovechadas del aprendizaje profundo
Después de observar el gran éxito que las aplicaciones de aprendizaje profundo han logrado en muchos dominios, la gente comenzó a explorar otros dominios donde el aprendizaje automático no se aplicaba hasta ahora. Existen varios dominios en los que las técnicas de aprendizaje profundo se aplican con éxito y hay muchos otros dominios que pueden explotarse. Algunos de ellos se comentan aquí.
La agricultura es una de esas industrias donde las personas pueden aplicar técnicas de aprendizaje profundo para mejorar el rendimiento de los cultivos.
La financiación al consumidor es otra área en la que el aprendizaje automático puede ayudar enormemente a proporcionar una detección temprana de fraudes y analizar la capacidad de pago del cliente.
Las técnicas de aprendizaje profundo también se aplican al campo de la medicina para crear nuevos fármacos y proporcionar una prescripción personalizada a un paciente.
Las posibilidades son infinitas y hay que seguir observando las nuevas ideas y desarrollos que surgen con frecuencia.
Qué se necesita para lograr más con el aprendizaje profundo
Para utilizar el aprendizaje profundo, la potencia de la supercomputación es un requisito obligatorio. Necesita tanto memoria como CPU para desarrollar modelos de aprendizaje profundo. Afortunadamente, hoy tenemos una fácil disponibilidad de HPC - Computación de alto rendimiento. Debido a esto, el desarrollo de las aplicaciones de aprendizaje profundo que mencionamos anteriormente se convirtió en una realidad hoy y en el futuro también podemos ver las aplicaciones en esas áreas sin explotar que discutimos anteriormente.
Ahora, veremos algunas de las limitaciones del aprendizaje profundo que debemos considerar antes de usarlo en nuestra aplicación de aprendizaje automático.
Desventajas del aprendizaje profundo
Algunos de los puntos importantes que debe considerar antes de utilizar el aprendizaje profundo se enumeran a continuación:
- Enfoque de caja negra
- Duración del desarrollo
- La cantidad de datos
- Costoso computacionalmente
Ahora estudiaremos cada una de estas limitaciones en detalle.
Enfoque de caja negra
Una ANN es como una caja negra. Le da una determinada entrada y le proporcionará una salida específica. El siguiente diagrama le muestra una de esas aplicaciones en la que alimenta una imagen de animal a una red neuronal y le dice que la imagen es de un perro.
La razón por la que esto se llama enfoque de caja negra es que no sabe por qué la red obtuvo un resultado determinado. ¿No sabes cómo concluyó la red que es un perro? Ahora considere una aplicación bancaria en la que el banco quiere decidir la solvencia de un cliente. La red definitivamente le dará una respuesta a esta pregunta. Sin embargo, ¿podrá justificarlo ante un cliente? Los bancos deben explicar a sus clientes por qué no se sanciona el préstamo.
Duración del desarrollo
El proceso de entrenamiento de una red neuronal se muestra en el siguiente diagrama:
Primero, defina el problema que desea resolver, cree una especificación para él, decida las características de entrada, diseñe una red, impleméntela y pruebe la salida. Si el resultado no es el esperado, tómelo como un comentario para reestructurar su red. Este es un proceso iterativo y puede requerir varias iteraciones hasta que la red de tiempo esté completamente entrenada para producir los resultados deseados.
La cantidad de datos
Las redes de aprendizaje profundo generalmente requieren una gran cantidad de datos para el entrenamiento, mientras que los algoritmos tradicionales de aprendizaje automático pueden usarse con gran éxito incluso con solo unos pocos miles de puntos de datos. Afortunadamente, la abundancia de datos está creciendo al 40% por año y la potencia de procesamiento de la CPU está creciendo al 20% por año, como se ve en el diagrama que se muestra a continuación
Costoso computacionalmente
El entrenamiento de una red neuronal requiere varias veces más potencia computacional que la requerida para ejecutar algoritmos tradicionales. El entrenamiento exitoso de redes neuronales profundas puede requerir varias semanas de entrenamiento.
En contraste con esto, los algoritmos tradicionales de aprendizaje automático toman solo unos minutos / horas para entrenarse. Además, la cantidad de potencia computacional 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 tener una descripción general de lo que es el aprendizaje automático, sus capacidades, limitaciones y aplicaciones, ahora vamos a sumergirnos en el aprendizaje del "aprendizaje automático".