Descarga la aplicación para disfrutar aún más
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).
Compartir