Post on 07-Jan-2017
인공지능(딥러닝)이해와 응용
Aprendizaje automático profundo y susaplicaciones
KOSS Lab. 2 기Mario Cho (조만석)
hephaex@gmail.com
Contenidos
• 기계학습 (RNs)
• Redes neuronales• 딥러닝 기술• 활용방안
Mario ChoExperiencias en desarrollo
◆ Reconocimiento de imágenes mediante redes neuronales◆ Procesamiento de datos biomédicos◆ Cartografía de alto rendimiento del cerebro humano
Informática◆ Reconstrucción de imágenes de diagnóstico medico
(Tomografía por ordenador)◆ Sistema de empresa◆ Herramienta de desarrollo de software de código abierto
Herramientas de desarrollo de software de código abierto
◆ OPNFV (NFV&SDN) y OpenStack◆ Aprendizaje automático (TensorFlow)
Libro◆ Unix V6 Kernel Korea Open Source Software Lab.
Mario Chohephaex@gmail.com
Información al día
* http://www.cray.com/Assets/Images/urika/edge/analytics-infographic.html
El futuro de los puestos de trabajo
“La cuarta revolución industrial, que incluye desarrollos en campos que antes no estaban relacionados comola inteligencia artificial y el aprendizaje automático, la robótica, la nanotecnología, la impresión en 3-D, la genética y la biotecnología, causará trastornos de forma generalizada no sólo a los modelos de negocios, sino también al mercado de trabajo en los próximos cinco años, y se prevé un enorme cambio en la capacitación necesaria para prosperar en el nuevo paisaje ".
¿Qué es el aprendizaje automático?• Campo de la informática que ha evolucionado desde el estudio del reconocimiento de patrones y de la teoría del aprendizaje computacional a la inteligencia artificial.
• Su objetivo es proporcionar a los computadores la capacidad de aprender sin que se hayan programado para ello.
• Para este propósito, el aprendizaje automático utiliza técnicas de matemáticas / estadística para crear modelos a partir de un conjunto de datos observados, en lugar tener un conjunto específico de instrucciones que introduce el usuario, y que definen el modelo para ese conjunto de datos.
Se requiere un nuevo tipo de computación
comprender la información,aprenderrazonar,y actuar sobre ella
Aprendizaje tradicional vs aprendizaje automático profundo
Aprendizaje tradicional
Torre Eiffel
Datos brutos Extracción de características
Vectorizado Clasificación
Aprendizaje profundo
Torre Eiffel
Datos brutos
Red de aprendizaje profundo
Neurona
Inteligencia humana
Mapa del cerebro
El hipocampo
Red neuronal vs red de aprendizajeRed neuronal Red de aprendizaje profundo
Red neuronal
-0,06
W1
-2.5 W2
W3
f(x)
1,4
Red neuronal
-0.06
2,7
-2,5 -8,6
0,002
f(x)
x = -0.06×2.7 + 2.5×8.6 + 1.4×0.002 = 21.34
1,4
0 0 0 1 1
0 1 0 0 0
1 0 0 0 0
1 1 1 0 0
Red neuronal : x1 XNOR x2
+1
-30
10 20x1
20
+1
a1(2)
10
-20
-10
a1(3)
Salida10
-20
x2-10
x1 x2 a1(2) a2(2) a1(3)
a2(2)
Redes neuronales multicapa
Entrenar primero esta capa
Redes neuronales multicapa
Entrenar primero esta capa
después esta capa
después esta capa y
después esta capa y finalmente esta capa
Tic Tac Toc
AlphaGo
datosbrutos
Selección
Expansiones
Evaluación
Respaldo
Capa1~ Capa13
Política de red y red de valor
Aprendizaje profundo - RNC
Reconocimiento de imágenes en Google Map
* Fuente Oriol Vinyals – Científico investigador en Google Brain
Aprendizaje profundo Hello World == MNIST
MNIST (predecir un numero en una imagen)
Entrenamiento de RNC (red neuronal convolucional)
MNIST
Reconocimiento de caracteres antiguos
Reconocimiento de objetos con precisión humana
• ImageNet
• Desafío de reconocimiento visual a gran escalaClasificación / Localización de imágenes1.2M de imágenes etiquetadas, 1000 clasesRedes neuronales convolucionales (RNCs)
han dominado la prueba desde.. 2012 no RNC: 26.2% (top-5 error) 2012: (Hinton, AlexNet)15.3% 2013: (Clarifai) 11.2% 2014: (Google, GoogLeNet) 6.7% 2015: (Google) 4.9%
Más allá del nivel de resolución humano
Representación jerárquica del aprendizaje profundo
* Fuente : Honglak Lee y sus colegas (2011) lo publicaron en ‘Unsupervised Learning of Hierarchical Representations with Convolutional Deep Belief Networks.
Aprendizaje profundo (partes de objetos)
* Fuente : Honglak Lee y sus colegas (2011) lo publicaron en ‘Unsupervised Learning of Hierarchical Representations with Convolutional Deep Belief Networks’.
Método de extracción facial
¿Bases de datos de reconocimiento facial?• Predominan los sistemas de
reconocimiento facial basados en redes neuronales convolucionales
• El 99.15% de exactitud facial con LFW dataset in DeepID2 (2014) Más allá del nivel de resolución humano
Fuente: Taigman et al. DeepFace: Acortando distancias con el nivel de resolución humano en verificación facial, CVPR’14
Reconocimiento de imágenes
* Fuente Oriol Vinyals – Científico investigador en Google Brain
Detección y clasificación de objetos
¿Cómo reconocer objetos?
Generación de pies de fotos
Generación de lenguaje
* Fuente Oriol Vinyals – Científico investigador en Google Brain
Análisis de escenas
[Farabet et al. ICML 2012, PAMI 2013]
Análisis de escenas
[Farabet et al. ICML 2012, PAMI 2013]
Autopiloto de coche
Coloración automática de imágenes en blanco y negro
Generación de sonido en películas antiguas
Traducción automática• Traducción automática de textos.
• Traducción automática de imágenes.
Generación automática de escritura
Generación de textos
Creación de imágenes estilizadas a partir de bocetos rudimentarios
Inspiración para la humanidad
¡Gracias!
Q&A