• No se han encontrado resultados

Neural Networks, Deep Learning and Applications

N/A
N/A
Protected

Academic year: 2022

Share "Neural Networks, Deep Learning and Applications"

Copied!
70
0
0

Texto completo

(1)

Universidad del Valle de Guatemala Agosto 07, 2018

Neural Networks, Deep Learning and Applications

Alan Gerardo Reyes Figueroa

Centro de Investigación en Matemáticas CIMAT

(2)

Inteligencia Artificial

G. Kasparov vs. DeepBlue (1997)

Lee Sedol vs. AlphaGo (2016)

(3)

Inteligencia Artificial

Self-driving cars.

(4)

Inteligencia Artificial

• ¿En qué consiste?

• Otros términos:

- big data

- machine learning - deep learning

- analytics

- cognitive systems …

(5)

Inteligencia Artificial

• Learning theory

• Psychology

(6)

Inteligencia Artificial

(7)

Inteligencia Artificial

(8)

Redes Neuronales

• Algoritmos bioinspirados.

• Idealizan cómo funcionan las conexiones y transmisiones dentro del cerebro biológico.

(9)

Redes Neuronales

(10)

Redes Neuronales Artificiales

(11)

Redes Neuronales Artificiales

linear component

non-linear component

activation function

(12)

Redes Neuronales Artificiales

Inputs

“Hidden” layers

Outputs

(13)

Desarrollo Redes Neuronales

• Algoritmos bioinspirados.

• Idealizan cómo funcionan las conexiones y transmisiones dentro del cerebro biológico.

(14)

McCulloch-Pitts Model (1940’s)

(15)

McCulloch-Pitts Model (1940’s)

(16)

Rosenblatt’s Model (1960’s)

(17)

Rosenblatt’s Model (1960’s)

(18)

Rosenblatt’s Model (1960’s)

(19)

Gradient Descent

(20)

Rosenblatt’s Model (1960’s)

(21)

Widrow-Hoff Model (1960’s)

(22)

The Golden Age (1960’s)

• Curva de Gartner para una tecnología

(23)

Dark Ages (1970’s)

• Minsky y Papert (1969) publican Perceptrons:

an introduction to computational geometry.

• Crítica y limitaciones al modelo perceptrón.

• “Invierno” de la inteligencia artificial.

XOR function

(24)

Segunda Era (1980’s)

• Rumelhart, Hinton y Williams (1986) Nature: Learning representations by back-propagating errors.

• Solución al problema de la separabilidad.

XOR function

(25)

Segunda Era (1980’s)

• Redes multicapa.

• Algoritmo de back-propagation.

(26)

Segunda Era (1980’s)

• K. Fukushima (79’) NeoCognitron.

Trabajos en redes multicapa.

• Teoría matemática de redes neuronales.

• G. Cybenko (1989).

Teorema de representación universal.

(27)

Aproximadores universales

(28)

Teorema de Cybenko

(29)

Teorema de Aproximación

• Si la función de activación ϕ satisface

“ciertas condiciones”, las redes multi-capa son capaces de aproximar cualquier función.

(X compacto)

• Las redes neuronales se pueden adaptar a cualquier conjunto (finito) de datos.

(30)

Teorema de Aproximación

• Composición de transformaciones lineales:

linear

(31)

Geometría de las redes

neuronales

(32)

Ejemplo: Kernel Trick

(33)

Ejemplo

• Geometría de las redes neuronales.

(34)

Manifold Hypothesis

(35)

Second winter (1990’s)

• Financiamiento sector militar.

• Sobre-expectativa en proyectos.

- autos autónomos

- máquinas inteligentes

• Reducción en el apoyo a proyectos del área

“Inteligencia Artificial”.

• Cambio de nombre: informatics, machine learning, analytics, knowledge-based systems, business rules

management, cognitive systems, intelligent systems, intelligent agents or computational intelligence

(36)

Siglo XXI (2000 – hoy)

• Era de la información: redes cada vez mayores.

• Industria de cómputo (gaming) y de cómputo

distribuido

• Inversión de grandes compañías (Nvidia, Google, Facebook, Amazon, Baidu, …)

(37)

Estado actual de la IA

(38)

Deep Learning (2012 - )

• ImageNET Challenge (2010)

- clasificar 14 millones de imágenes

• AlexNet (2012)

- breakthrough de las redes neuronales

(39)

Deep Learning (2012 - )

(40)

Deep Learning (2012 - )

• Perceptron

• Two-layer network

• GoogleNet (2014)

(41)

Deep Learning (2012 - )

Topologías especializadas (bloques básicos)

• Fully-connected

- clasificación

• Convolutional

- filtrado - visión

• Recurrent

- evolución - lenguaje

(42)

Era pre – Deep Learning

(43)

Era post – Deep Learning

(44)

Aplicaciones

(45)

Aplicaciones

• Clasificación

• Predicción

• Generación

• Visión Computacional

• Procesamiento de Lenguaje

• Diagnóstico Médico

• Prevención de desastres

• Robótica

(46)

Computer Vision

Image Segmentation

(47)

Computer Vision

Object Detection

(48)

Self-Driving Cars

(49)

Noise Removal

Speckle noise removal in fringe patterns.

(50)

Noise Removal

Noise removal from images using Deep neural networks

(51)

Restoration

Automated colorization of images.

(52)

Restoration

Automated colorization of films.

(53)

Restoration

Inpainting and art restoration (Gent Altarpiece).

(54)

Super-Resolution

(55)

Sistemas de seguridad

(56)

Healthcare

Assisted Diagnosis

(57)

Automated Diagnosis

Early detection of Health Anomalies

(58)

Automated Diagnosis

Retinal vessel segmentation using deep learning

(59)

Automated Diagnosis

(60)

Remote Sensing

- Clasificación del uso del suelo

- Detección de área en riesgo

Incendios Deslaves

- Prevención de desastres

(61)

Applications in Physics

CERN Tracking Challenge

Solution of PDE’s

(62)

Natural Language Processing

- Traducción

- Transliteración audio-texto - Clasificación de contenidos - Asistentes virtuales de voz

(63)

Robótica

(64)

Generación de Arte

(65)

Art style transfer

(66)

Art style transfer

(67)

Art style transfer

(68)

Automated art generation

- Generación de textos literarios, poemas, … - Transliteración música y partituras

- Generación de pinturas

(69)

Futuro de la IA

(70)

Gracias!

Referencias

Documento similar

The main goal of this Thesis is the development of robust automatic speaker verification (ASV) systems which are able to detect the two main types of biometric attacks: (i)

The proposed ap- proach is compared to state-of-the-art i-vector based acoustic systems on two different datasets: Google 5M LID corpus and NIST LRE 2009.. Results show how LID

In particular, language recognition, as a part of automatic speech signal processing field, can be viewed as a classification task, where the input data are segments of speech that

• The deep belief network with 2 stacked layers (3 hidden layers in total) and 49 hidden units (figure 4.5.7) has learned weights and internal representations visually very similar

En Redes Neuronales, se utilizó todos los datos (101 exportaciones), para la obtención del mejor modelo se empleó la opción de Redes Neuronales > perceptrón multicapa, en la

Linked data, enterprise data, data models, big data streams, neural networks, data infrastructures, deep learning, data mining, web of data, signal processing, smart cities,

Deep Neural Networks, Bayesian Neural Networks, Calibration, Uncertainty, Variational Inference, Generalized Variational Inference, Robust

In this contribution, a novel learning architecture based on the interconnection of two different learning-based 12 neural networks has been used to both predict temperature and