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