machine-learning
Aprendizaje profundo
Buscar..
Introducción
El aprendizaje profundo es un subcampo del aprendizaje automático en el que se utilizan redes neuronales artificiales de múltiples capas para fines de aprendizaje. Deep Learning ha encontrado muchas implementaciones excelentes, por ejemplo, Reconocimiento de voz, Subtítulos en Youtube, Recomendaciones de Amazon, etc. Para información adicional hay un tema dedicado al aprendizaje profundo .
Breve breve de Aprendizaje profundo.
Para entrenar una red neuronal, primero debemos diseñar una idea buena y eficiente. Hay tres tipos de tareas de aprendizaje.
- Aprendizaje supervisado
- Aprendizaje reforzado
- Aprendizaje sin supervisión
En este momento actual, el aprendizaje no supervisado es muy popular. El aprendizaje no supervisado es una tarea de aprendizaje profundo de inferir una función para describir una estructura oculta a partir de datos "no etiquetados" (no se incluye una clasificación o categorización en las observaciones).
Dado que los ejemplos proporcionados al aprendiz no están marcados, no se evalúa la precisión de la estructura que genera el algoritmo relevante, que es una forma de distinguir el aprendizaje no supervisado del aprendizaje supervisado y el aprendizaje por refuerzo.
Hay tres tipos de aprendizaje no supervisado.
- Máquinas de Boltzmann restringidas
- Modelo de codificación escasa
- Autoencoders que describiré en detalle de autoencoder.
El objetivo de un autocodificador es aprender una representación (codificación) para un conjunto de datos, generalmente con el propósito de reducir la dimensionalidad.
La forma más simple de un autocodificador es un feedforward, que tiene una capa de entrada, una capa de salida y una o más capas ocultas que los conectan. Pero con la capa de salida que tiene el mismo número de nodos que la capa de entrada, y con el propósito de reconstruir sus propias entradas, es por eso que se llama aprendizaje no supervisado.
Ahora voy a tratar de dar un ejemplo de red neuronal de entrenamiento. 
Aquí Xi es entrada, W es peso, f (e) es función de activación y y es salida.
Ahora vemos paso a paso el flujo de la red neuronal de entrenamiento basada en el autoencoder.
Calculamos el valor de cada función de activación con esta ecuación: y = WiXi. Primero que nada, elegimos números al azar para los pesos y luego intentamos ajustarlos.
Ahora, calculamos la desviación de nuestra salida deseada, que es y = zy, y calculamos las desviaciones de cada función de activación.
Luego ajustamos nuestro nuevo peso de cada conexiones.
