14/09/2023
El aprendizaje automático es el estudio de algoritmos dentro del campo de la Inteligencia Artificial que permiten que los programas mejoren a través de conjuntos de información. La información utilizada en estos algoritmos se conoce como conjunto de entrenamiento y en la mayor parte de las ocasiones se utiliza en formato audio, texto o imagen. El conjunto de entrenamiento permite sacar una tendencia y ajustar los parámetros de un modelo. Cuando se ha realizado de forma correcta el entrenamiento, estos algoritmos pueden seguir dando buenos resultados aun procesando información no contemplada, esto se conoce como generalización de la información.
En el área de la investigación, los algoritmos de aprendizaje profundo o Deep learning son la rama del aprendizaje automático más utilizada en la actualidad. Estos permiten procesar hasta millones de datos en sus entrenamientos y se constituyen de un gran conjunto de capas. Estas capas permiten procesar información más abstracta conforme se va procesando los datos internamente. Por ejemplo, en el área del procesamiento de imágenes las Redes Neuronales Convolucionales en sus primeras capas pueden identificar patrones como líneas o puntos, mientras que las capas superiores pueden identificar conceptos complejos como dígitos, letras, caras, etc., es decir, el sistema de aprendizaje profundo puede identificar conceptos humanos combinando conceptos más simples, como esquinas y bordes. En la actualidad, podemos encontrar una gran cantidad de configuraciones de redes profundas para el análisis y generación de imágenes. En este artículo, presentaremos las Redes Neuronales Convolucionales para la clasificación de imágenes.
Estas redes crean un mapa de características tridimensionales a partir de la información de la imagen y los procesos convolucionales. Se dice que este mapa de características es una representación abstracta de la imagen de entrada y conforme internamente la red procesa un nuevo mapa de características la red compacta la información resaltando los elementos más importantes para la clasificación y eliminando los elementos menos relevantes. A este proceso los investigadores lo denominan poder de abstracción. Imaginemos que queremos que nuestra red clasifique entre planta y fondo. Muy probablemente si pudiéramos analizar la información del primer mapa de características de la red podríamos encontrar información como líneas y puntos. En la siguiente capa podríamos encontrar agrupaciones de estas líneas formando figuras geométricas. Posteriormente estas figuras geométricas se podrían agrupar para formar hojas. Y finalmente en la última capa podríamos encontrar una representación de la planta con su posición actual eliminando toda la información que no corresponda al objeto analizado. Esta información tridimensional se convierte en un vector de características. Este vector simplifica la información de la imagen analizada y le facilita a la segunda sección de la red que normalmente está conformada por una red neuronal convencional poder clasificar correctamente la información. Es decir, los procesos convolucionales nos permiten extraer la información (características) más relevante para facilitar la tarea de clasificar la imagen. En la figura se muestra la representación general de una Red Neuronal Convolucional para la clasificación de imágenes.
A todos aquellos interesados en la inteligencia artificial, los invito a seguirme en mi página Dr Antonio Osuna IA y en mi canal de YouTube, www.youtube.com/
, donde compartiré más información relevante.
Mi objetivo es explorar los límites de la inteligencia artificial y su aplicación en diversos campos.
