Probablemente muchas personas piensan que el área del Deep Learning y las redes neuronales es una novedad, pero ¡nada más lejos de la realidad! De hecho, la Inteligencia Artificial no es ni mucho menos nueva, sino que lleva mucho tiempo entre nosotros, sufriendo altibajos como consecuencia de las altas expectativas depositadas y los «pocos» avances conseguidos.
Sin embargo, en la actualidad, puedes contar con grandes facilitadores, como las redes neuronales convolucionales en el procesamiento de los macrodatos por medio del Deep Learning. Por esta razón, en el desarrollo de este post, te exponemos un breve ejemplo de Redes Neuronales Convolucionales, de manera que comprendas en profundidad cómo se comportan.
Ejemplo de Redes Neuronales Convolucionales
En primer lugar, para este ejemplo de Redes Neuronales Convolucionales debes conocer cuáles son sus principales funciones dentro del Deep Learning o aprendizaje profundo.
Pues bien, en esencia, lo que hacemos con las redes neuronales es solucionar problemas tratando de encontrar la mejor aproximación posible a una función que permite solucionar nuestro problema.
Para ello, disponemos de una serie de parámetros (los pesos y la bias), que vamos actualizando al usar el algoritmo de backpropagation, que está basado en el gradient descent.
Gracias a nuestras etiquetas, somos capaces de calcular el error en cada iteración y modificar los pesos para reducirlo progresivamente.
Entonces, ¿qué es una red neuronal convolucional? O lo que es más importante, ¿qué problemas permite solucionar?
Básicamente son todos los que se puedan expresar en forma de imagen y, por ello, en este ejemplo de Redes Neuronales Convolucionales vamos a contar con una imagen de muestra.
De manera que suponemos que tienes Facebook o lo conoces, así que te habrás fijado en que cuando vas a etiquetar a alguien te sugiere personas y, normalmente, acierta. Así te familiarizarás con el concepto convnets de este ejemplo de Redes Neuronales Convolucionales.
Asimismo, en este ejemplo de una red neuronal, si tienes un iPhone, habrás visto la carpeta “Personas” dentro de la galería.
Te preguntarás cómo hacen eso, cómo son capaces de encontrar la cara en una imagen y, no contentos con eso, también son capaces de agrupar todas las caras que pertenecen a una determinada persona. Una vez más: convnets.
Por otra parte, quizás hayas oído hablar de los coches autónomos que son capaces de “leer” las señales de tráfico, incluso detectar si hay una persona cruzando la calle. Otra vez: convnets.
Pues bien, estos son solo algunos ejemplo red neuronal con los que tratas día a día, pero existen muchos más. Por ejemplo, se está trabajando en detección de cáncer en imágenes de histopatológicas.
De hecho, las CNN están muy de moda para resolver problemas de imagen médica. Esto se debe a una característica que tienen las CNNs y que las hacen perfectas para este cometido (y otros muchos). Esta propiedad es que son capaces, por sí solas, de encontrar las características adecuadas para posteriormente clasificar las imágenes correctamente.
Si te gusta un poco el tema y has investigado, sabrás que dentro del ámbito de la visión por ordenador el deep learning ha supuesto un antes y un después.
Por lo tanto, en definitiva con este ejemplo de red neuronal, podemos decir que una CNN es una red neuronal en la que se introducen nuevos tipos de capas, donde la más importante es la convolucional.
Ahora que te hemos expuesto este breve ejemplo de Redes Neuronales Convolucionales dentro del aprendizaje profundo, puedes empezar a considerarlo dentro de tus prácticas; de manera que, una vez lleves a cabo un procesamiento real del Big Data con este tipo de procesos, ya hayas experimentado y comprendido en profundidad cómo funciona. Si quieres llevar este aprendizaje con acompañamiento profesional, desde KeepCoding te recomendamos nuestro Bootcamp Big Data, Inteligencia Artificial & Machine Learning.
En el transcurso de este bootcamp, recorrerás de forma práctica todos y cada uno de los módulos de Spark, iniciando camino en su “core” y transitando por Spark SQL, Spark Streaming (Structured), Spark MLlib (Machine learning) y GraphX (información almacenada en estructuras arborescentes). De esta forma, de la mano de profesionales y en menos de nueve meses, te convertirás en todo un experto y podrás conocer e identificar las alternativas de gestión de datos más apropiadas para los estudios de los macrodatos ¡Ahora es el momento para empezar!
