T1__Transfer Learning__Eduardo__19131252

Vista previa del material en texto

Página 1 de 6 
 
 
INSTITUCIÓN: TECNOLÓGICO DE LA LAGUNA 
 
CARRERA: MECATRÓNICA 
 
MATERIA: INTELIGENCIA ARTIFICIAL 
 
DOCENTE: SERGIO LÓPEZ HERNÁNDEZ 
 
ALUMNO: RODRÍGUEZ GUERRA EDUARDO ANTONIO 
 
MATRICULA: 19131252 
 
TAREA 1: TRANSFERENCIA DE APRENDIZAJE 
 
FECHA DE ENTREGA: 29 DE AGOSTO 2023 
 
 
 
 
 
Página 2 de 6 
 
 
Cuando me encontraba buscando información para elaborar la presente tarea, encontré 
en numerosas ocasiones el termino de ciencia de datos. Entonces pues vi necesario 
consultar que es la ciencia de datos. Y en resumen ciencia de datos son aquellas técnicas 
o conocimientos utilizados para trabajar con 
grandes volúmenes de datos, a fin de resolver 
diversos problemas, esto por medio de encontrar 
patrones, tendencias, coincidencias a niveles 
generales. 
También encontré que uno de los principales 
lenguajes de programación usados en la ciencia de 
datos es PYTHON. Pues como menciono el 
catedrático a comienzos del curso es un lenguaje 
muy rico en herramientas que facilitan la 
elaboración de diferentes programas y algoritmos 
que nos ayudaran a la resolución de nuestros 
problemas. 
Además de acuerdo a diversas paginas la ciencia de datos es una la carrera mas sexy 
del siglo XXI. Ya que bien aplicada puede generar recursos que permitan aumentar las 
ganancias de diversas compañías, por ejemplo cuando estaba buscando un celular obvio 
lo busque en diferentes páginas, pues al final termine comprando uno que la página de 
Walmart me recomendó por correo electrónico, para empezar jamás les di mi correo y 
mucho menos busque en esa página, pero el acceso a los datos aunado a un buen 
algoritmo les permitió predecir cual celular de su amplio catalogo era el que satisfacía 
más de mis requerimientos. 
Pero como es que ocurrió todo ese proceso de selección 
Justo esa pregunta me ayudo a volver al tema principal, TRANSFERENCIA DE 
APRENDIZAJE. 
La respuesta formal que mas me agrado fue “El Transfer Learning, o aprendizaje 
transferido en español, se refiere al conjunto de métodos que permiten transferir 
conocimientos adquiridos gracias a la resolución de problemas para resolver otros 
problemas.” 
Mi breve experiencia dentro del mundo de la programación me ha enseñado que al tener 
un problema que parezca carecer de una solución sencilla, o inclusive no tenga idea de 
cómo resolverlo, habrá sido un problema que un programador al otro lado del mundo ya 
tuvo y en el mejor de los casos ya soluciono, por ejemplo, al elaborar programas para 
Arduino empleo librerías que resumen grandes fragmentos de código a fin de solo 
programar lo necesario para adaptarla al uso que desee darle. 
 
 
Página 3 de 6 
 
 
Y pues en las redes neuronales, donde se trabajan con miles o en su defecto millones 
de datos para entrenar una red neuronal, pues resulta que alguien más ya entreno una 
inteligencia artificial que si bien no hace todo lo que yo pretendo, mínimo si ha sido 
entrenada para generalizar ciertos criterios que necesito. Así dentro de la programación 
de una red neuronal puedo traerme una red neuronal creada por un tercero, aislar la 
parte entrenada que necesito, así cuando entrene la mía, no comenzara adivinando 
tantos datos, pues tomara como base lo que ya aprendió antes. 
Un ejemplo algo absurdo de esto, es cuando estaba buscando trabajo, gracias a la 
experiencia de mi mama y mi papa supe que trabajar en una zapatería representaría 
mucho trabajo y los pagos no valían la pena, así pude buscar donde trabajar ya con un 
cierto criterio que me ayudo a filtrar y mejorar mis posibilidades. 
En la siguiente imagen podemos ver la gran diferencia entre el aprendizaje por Transfert 
Learning y el aprendizaje tradicional, que, si bien en ambos problemas se llega a su 
respectiva solución, a carecer de los conocimientos del problema uno, el problema dos 
demoro más en ser resuelto. 
En la investigación encontré tres métodos diferentes de transferencia de aprendizajes, 
1. Aprendizaje por transferencia inductiva o “inductive transfer learning” 
En este caso se usan los datos recolectados por una red neuronal a fin de 
simplificar el proceso de recolección y entrenamiento de otra red. 
Tenemos el ejemplo del video, donde el autor emplea de una red neuronal, capaz 
de reconocer muchísimos objetos, para solo reconocer tres objetos específicos. 
2. Aprendizaje por transferencia no supervisada, o “Unsupervised Transfer 
Learning” lo que recaude de esta técnica no fue tan claro como los demás 
ejemplos, pero en sí trata de un tipo de aprendizaje basado en la adquisición de 
datos sin etiquetamiento que si bien es más difícil de procesar, al compararlo 
con lo complejo que es etiquetar datos, más cuando las principales fuentes, 
como bases de datos, servidores y páginas web no los etiquetan, suena 
atractivo, y es un método que ha presentado un auge interesante. 
 
Página 4 de 6 
 
3. Aprendizaje por transferencia transductiva o “Transductive Transfer Learning” 
Toma una estructura con funciones y objetivos similares, pero el programador 
tendrá que personalizarla con sus propios datos. 
Básicamente el éxito de la transferencia de aprendizaje, es la elaboración de redes 
neuronales prentrenadas en la rama de código abierto que les permitan a más 
programadores introducirse en este mundo que se encuentra en constante crecimiento. 
Ya por último para terminar me gustaría abarcar 2 tipos de estrategias que suelen ser 
usadas: 
 
1. Utilización de modelos pre-entrenados como extractores de features: 
 
 
Las redes neuronales pre-entrenadas para la detección de imágenes son muy 
buen ejemplo de este método, pues basta con solo modificar la ultima capa para 
cambiar el resultado que te arrojara la inteligencia artificial una vez que la 
pongas en marcha. 
 
 
 
 
 
 
 
 
 
 
 
 
 
Página 5 de 6 
 
2. Ajustes de modelos pre-entrenados 
 
Básicamente trata de que los ajustes a realizar son dentro de las capas ocultas a 
fin de darle un mejor sentido al uso de estas redes neuronales, exprimirles todo el 
potencial que tienen para ofrecer, y adaptarlas mejor al uso que deseemos darle, 
si bien es un modelo más complejo, sabiendo usarlo nos permitirá obtener mejores 
predicciones. 
 
Página 6 de 6 
 
 
 
Básicamente la diferencia entre un método y el otro es que en el primero 
congelamos todas las capas ocultas, valido si el entrenamiento que tiene nos sirve 
completo, pero si solo encontramos redes neuronales que medio nos sirven, 
tendremos que obtener de nueva cuenta ciertos parámetros, que implica volver a 
entrenar a la red neuronal. 
 
 
BIBLIOGRAFÍAS 
¿Qué es el transfer learning? (2022) Formation Data Science | DataScientest.com. Available at: 
https://datascientest.com/es/que-es-el-transfer-learning (Accessed: 30 August 2023). 
 
Datademia (2022) ¿Qué es la ciencia de datos?, Datademia. Available at: 
https://datademia.es/blog/que-es-la-ciencia-de-datos (Accessed: 30 August 2023).