DEEP LEARNING
PRESENTADO POR:
GIANCARLO RAMIREZ ALAPE
JEFFERSON RÍOS CANO
QUÉ ES EL DEEP LEARNING?
∙ Es un tipo particular de machine learning.
∙ Es un aspecto de la inteligencia artificial que se encarga de emular el
enfoque de aprendizaje que los seres humanos utilizamos.
∙ Es un conjunto de algoritmos no lineales que pueden aplicarse para la
modelización de datos y el reconocimiento de patrones.
QUÉ ES EL DEEP LEARNING?
∙ Es una tecnología clave presente multiples modelos informáticos, incluso se
encuentra presente en algunos vehículos, los cuales pueden reconocer una
señal de stop o distinguir entre un peatón y una farola.
MODELO DEEP LEARNING
∙
EN QUE SE USA DEEP LEARNING?
∙ Identificación de clientes potenciales.
∙ Predecir preferencias de los clientes.
∙ Identificar logotipos y marcas de empresas.
∙ Análisis de imágenes médicas con mayor
precisión.
∙
EN QUE SE USA DEEP LEARNING?
EN QUE ENTORNOS SE DESARROLLA?
● IDE muy simple y liviano con documentación
detallada y bastante fácil de instalar.
● Este IDE se integra con algunas de las librerías
fundamentales como NumPy, Matplotlib, SciPy, entre
otras.
● Este editor viene con un visor de documentación
donde puede ver la documentación relacionada con
las clases o funciones que debe usar.
EN QUE ENTORNOS SE DESARROLLA?
● Es de código abierto.
● Le permite a uno crear y compartir los documentos
con ecuaciones, visualización y lo más importante,
códigos en vivo.
● Jupyter se ha integrado con bibliotecas como
matplotlib, Numpy y Pandas.
● Otra característica importante es que puede mostrar
tramas que son el resultado de la ejecución de celdas
de código.
EN QUE ENTORNOS SE DESARROLLA?
● PyCharm es el IDE más famoso en el mundo
profesional ya sea para la ciencia de datos o para la
programación convencional de Python.
● Incluye la finalización del código, la sangría
automática y el formato del código.
● También viene con un depurador en tiempo de
ejecución, es decir, mostrará los errores tan pronto
como los escriba.
● Puedes trabajar en diferentes proyectos con
diferentes versiones de Python, esto quiere decir que
puedes trabajar en dos proyectos, en los que uno
admita Python 2.7 y otro requiere 3.5, PyCharm
administrará fácilmente esta situación para ti.
EN QUE ENTORNOS SE DESARROLLA?
● Es un IDE de código abierto desarrollado por Github,
está disponible para muchos lenguajes de
programación como PHP, Java, entre otros. Atom
tiene características interesantes que crean una
buena experiencia para los desarrolladores de
Python.
● Una de las mejores ventajas de Atom es su
comunidad, principalmente debido a las constantes
mejoras y complementos que desarrollan para
personalizar su IDE y mejorar su flujo de trabajo.
APPI Y BIBLIOTECA PARA DEEP LEARNING
● TensorFlow es una biblioteca de software de código abierto para el cálculo
numérico que utiliza grafos de flujo de datos. Los nodos en el grafo representan
operaciones matemáticas, mientras que los bordes del grafo representan los
conjuntos de datos multidimensionales (tensores) comunicados entre ellos.
● Necesitamos tensores porque de lo que NumPy (el paquete fundamental para
computación científica con Python) carece es crear tensores. Podemos convertir
tensores a NumPy y viceversa. Eso es posible ya que las construcciones se
definen definitivamente como matrices / matrices.
APPI Y BIBLIOTECA PARA DEEP LEARNING
● Keras es una API de redes neuronales de alto nivel, escrita en Python y capaz de
ejecutarse sobre TensorFlow, CNTK o Theano. Fue desarrollado con un enfoque en
permitir la experimentación rápida.
● Fue creado por François Chollet y fue el primer paso serio para hacer que Deep
Learning sea fácil para las masas.
● TensorFlow tiene una API de Python que no es tan difícil, pero Keras hizo muy fácil
acceder a Deep Learning para mucha gente.
DEEP LEARNING FRAMEWORKS
RECONOCIMIENTO FACIAL MEDIANTE EL
USO DE DEEP LEARNING
uno de los principales problemas en el reconocimiento facial en videos
es saber que características no son de una expresión facial, por tanto
se propone usar dos redes neuronales convolucionales profundas, una
que procesa imágenes faciales estáticas y otra imágenes de flujo
óptico(movimiento) para posteriormente fusionar ambas redes y
aprender en conjunto.
los métodos FER(reconocimiento de expresiones fáciles) tienen dos
categorías
• 1)métodos basados en secuencias(dinámicos)
• 2)métodos basados en imágenes(estáticos)
RECONOCIMIENTO FACIAL MEDIANTE EL
USO DE DEEP LEARNING
el método que procesa imágenes procesa y aprende características
espaciales de alto nivel y el que procesa video aprende características
temporales en los segmentos de video divididos el tercer modelo de
aprendizaje profundo es la red de fusión que esta capacitado para aprender
de manera espacio-temporal discriminando ciertas características
los 4 pasos necesarios para el aprendizaje en este modelo
1)generación de entradas independientes
2)aprendizaje de características espacio-temporales
3)fusión basada en DBN (red de ideas profundas)
4)clasificación de expresiones basadas en video
RECONOCIMIENTO FACIAL MEDIANTE EL
USO DE DEEP LEARNING
toman una foto estática y de ella extraen rasgos importantes como nariz, boca, ojos y proceden
a ignorar el resto de la información que consideran innecesaria se analizaron 3 bases de
datos, entre ellas 1222 muestras de videos de 31 personas turcas, 720 muestras de video de 8
personas sin origen establecido, y 2894 muestras de video de 30 sujetos entre los 19 y 62 años
se usaron lotes de 30 imágenes, con una memoria NVIDIA GTX TITAN X 12 GB, en total se
usaron 11.000 lotes para el aprendizaje.
BD-BAUM BD-RML BD-MMI
Espacial 50,96 64,58 60,45
temporal 49,14 50,31 48,66
fusión 55,85 73,73 71,63
RESULTADOS EN BASE DE DATOS BAUM
RESULTADOS EN BASE DE DATOS RML
RESULTADOS EN BASE DE DATOS MMI
WEBGRAFÍA
● [Link]
python/
● [Link]
deepcognition-9af43b2319ba
● [Link]
sirve
● [Link]
aje-profundo-deep-learning