Las redes neuronales convolucionales funcionan como filtros locales que se pueden aprender.
El mejor ejemplo es probablemente su aplicación a la visión por computadora. El primer paso en el análisis de imágenes a menudo es realizar un filtrado local de la imagen, por ejemplo, para mejorar los bordes de la imagen.
Para ello, tome la vecindad de cada píxel y convolúzcalo con una determinada máscara (conjunto de pesos). Básicamente se calcula una combinación lineal de esos píxeles. Por ejemplo, si tiene un peso positivo en el píxel central y pesos negativos en los píxeles circundantes, calcula la diferencia entre el píxel central y el circundante, lo que le brinda un tipo de detector de bordes tosco.
- ¿En qué medida se utilizan las técnicas de optimización del aprendizaje automático, como el descenso de gradiente, en el modelado financiero?
- ¿Qué se entiende por agrupamiento jerárquico aglomerativo?
- ¿Cuál es la diferencia entre una cadena de Markov recurrente y una cadena de Markov absorbente?
- ¿Cuál es el trabajo de investigación sobre aprendizaje automático más emocionante que Yoshua Bengio leyó en 2015?
- ¿Hay alguna posibilidad de una B.Tech (CS) más fresca en trabajos de aprendizaje automático (ciencia de datos) en Bangalore?
Ahora puede poner ese filtro a mano o aprender el filtro correcto a través de una red neuronal convolucional. Si consideramos el caso más simple, tiene una capa de entrada que representa todos los píxeles de su imagen, mientras que la capa de salida representa las respuestas del filtro. Cada nodo en la capa de salida está conectado a un píxel y su vecindario en la capa de entrada. Hasta aquí todo bien. Lo que hace que las redes neuronales convolucionales sean especiales es que los pesos se comparten, es decir, son los mismos para diferentes píxeles en la imagen (pero diferentes con respecto a la posición con respecto al píxel central). De esa manera, aprende con eficacia un filtro, que también resulta adecuado para el problema que está tratando de aprender.