¿Por qué es tan importante aprender las redes neuronales convolucionales?

La mayor ventaja de las redes neuronales convolucionales (y el aprendizaje profundo) es que pueden aprender las características apropiadas por sí mismas automáticamente.

Las características son importantes. Puede obtener una buena precisión de reconocimiento de objetos solo si tiene buenas características. En los primeros días, las personas tienen que diseñar características manualmente. Este paso se llama ingeniería de características. Diseñar buenas características es extremadamente difícil, entre ellas, las características más populares son las funciones SIFT y HOG.

Vamos a pensarlo. Los algoritmos de aprendizaje automático se utilizan para permitir que la máquina aprenda a asignar entidades a etiquetas automáticamente. ¿Podemos también dejar que la máquina aprenda características / representaciones apropiadas de imágenes en bruto? Este tema se llama aprendizaje de representación. Resulta que el aprendizaje profundo hace este trabajo bastante bien. Simplemente alimentamos imágenes en bruto en la CNN, y la CNN puede aprender cómo obtener las funciones correctas para la tarea.

También puede consultar las diapositivas escritas por mí.

Related Content

¿Cuáles son las diferencias entre GRU y RNN estándar?

¿Cuál es el mejor instituto en Bangalore para aprendizaje automático, inteligencia artificial y aprendizaje profundo (necesita práctica)?

¿Dónde entran en juego las funciones de activación en una red neuronal de convolución?

¿Qué debo buscar al comprar una computadora para ejecutar experimentos de Machine Learning?

¿Cuál es el significado de la investigación de OpenAI sobre estrategias de evolución y el hallazgo de que rivalizan con el desempeño del aprendizaje por refuerzo?

Las redes convolucionales son importantes para aprender sobre tareas relacionadas con la imagen y la visión por computadora. Las redes convolucionales tienen la propiedad de ‘invariancia espacial’, lo que significa que aprenden a reconocer las características de la imagen en cualquier lugar de la imagen.

Por ejemplo, si desea reconocer un número (por ejemplo, en el conjunto de datos MNIST), desea reconocer los bordes que conforman el número en cualquier posición de la imagen, por lo que no depende del recorte utilizado.

Las redes convolucionales también usan el apilamiento de múltiples capas convolucionales, y luego una capa de agrupación para construir representaciones de características más grandes. Por ejemplo, las capas iniciales en el modelo pueden detectar bordes y curvas, otras capas las combinan para detectar formas geométricas, hasta que terminas detectando secciones de la imagen (por ejemplo, la nariz de un perro).

Tim Gasser

En primer lugar, no es importante para todos los campos. Pero es realmente importante cuando se trata de problemas, como las imágenes. CNN cambió fundamentalmente la forma en que la computadora interpreta imágenes o videos. Mientras tanto, arroja luces sobre otras áreas de aprendizaje automático, por ejemplo, combinando CNN y aprendizaje de refuerzo. En resumen, está trabajando en campos relacionados, vale la pena su tiempo para comprender, al menos, las ideas de alto nivel de CNN.

Michael Naunton

Bueno, capturan dos buenas ideas: invariancia espacial y estructura local. Además, se prestan bien a algoritmos paralelos y juegan muy bien con las operaciones de agrupación. Y dan buenos resultados en pruebas del mundo real. Por lo tanto, es probable que desee aprenderlos bien, de lo contrario, podría encontrarse reinventando la rueda, mal.

Dicho esto, parecen terriblemente ineficaces desde el punto de vista computacional, biológicamente inverosímiles, y quieren grandes cantidades de datos para mejorar. Pero son demasiado efectivos para descartarlos.

Tim Gasser

More Interesting

Cómo llegar a un problema de aprendizaje automático para un proyecto personal

¿A qué tipo de problemas del mundo real se aplica el aprendizaje no supervisado?

Al entrenar y probar conjuntos de datos, ¿es posible probar un conjunto de datos completamente diferente del conjunto de entrenamiento?

¿Es útil el aprendizaje automático en el campo de la ingeniería eléctrica?

¿Cuál es la diferencia entre clasificación y reconocimiento de patrones?

¿Está bien usar kNN para este problema de clasificación de símbolos musicales?

¿Cómo lidiamos con el conjunto de datos que tiene 3 variables categóricas de 10 variables usando regresión logística?

Si planeo obtener un doctorado en aprendizaje de refuerzo teórico, ¿qué profesores y universidades debería considerar?

¿Cuál es la entrada para un clasificador Naive Bayes?

¿Cuáles son algunos libros sobrevalorados en aprendizaje automático, estadísticas y aprendizaje profundo?

¿Tengo que escuchar el curso de aprendizaje automático Coursera de Andrew Ng?

¿Es generalmente una buena idea entrenar en caso real, desarrollar y probar conjuntos de datos para la traducción automática?

¿Cómo puedo comenzar el trabajo de investigación sobre aprendizaje automático y cómo puedo elegir un tema o problema en el aprendizaje automático?

¿Para qué sirve el aprendizaje automático?

¿El aprendizaje automático conducirá a la mercantilización del conocimiento?