WEBVTT 00:00.420 --> 00:07.320 Lo que Allison debería saber, ¿qué estás diciendo? No sé qué Internet es esa computadora masiva. 00:07.380 --> 00:10.870 Fue el que se está volviendo realmente grande ahora. 00:11.010 --> 00:11.400 Qué quieres decir. 00:11.440 --> 00:16.350 Eso es solo lo que sabes, ¿a qué le escribes? No sé, mucha gente lo usa y se comunica. 00:16.410 --> 00:18.960 Supongo que pueden comunicarse con escritores y productores de NBC. 00:18.960 --> 00:21.180 Allison, ¿puedes explicar qué es 00:29.140 --> 00:30.590 lo increíble de Internet? 00:30.670 --> 00:34.470 Hace poco más de 20 años, la gente ni siquiera sabía qué era internet. 00:34.510 --> 00:37.260 Y hoy ni siquiera podemos imaginar que nuestras vidas sean por eso. 00:37.300 --> 00:39.560 Bienvenido a las personas que ganan ETA por ese curso. 00:39.580 --> 00:44.800 Mi nombre es Cora Menko y, junto con el contratista, Lunda Pontmercy estaba súper emocionada de tenerte 00:44.800 --> 00:45.570 a bordo. 00:45.610 --> 00:51.670 Y hoy vamos a darle una visión general rápida de lo lamentable que es y por qué está mejorando en 00:51.670 --> 00:52.300 este momento. 00:52.300 --> 00:53.590 Entonces empecemos. 00:53.590 --> 00:57.640 ¿Por qué echamos un vistazo a ese clip y qué es esta foto aquí? 00:57.670 --> 01:00.310 Bueno, ese clip era de 1994. 01:00.310 --> 01:03.110 Esta es una foto de la computadora desde 1980. 01:03.220 --> 01:09.490 Y la razón por la cual profundizamos un poco en la historia es porque las redes neuronales junto con 01:09.490 --> 01:15.670 el aprendizaje profundo han existido por bastante tiempo y solo han comenzado a mejorar ahora e impactan al mundo 01:15.670 --> 01:16.640 en este momento. 01:16.750 --> 01:22.510 Pero si mira hacia atrás a los 80 verá que, aunque fueron inventados en los años 60 01:22.510 --> 01:30.760 y 70, realmente se engancharon a una tendencia o llamaron al viento frío en los 80, por lo que la gente habla mucho de ellos. 01:30.760 --> 01:35.890 va a resolver todos los problemas del mundo y lentamente se apagaron apagado durante la próxima década. 01:35.890 --> 01:41.830 Hubo mucha investigación en esa área y todo el mundo pensó que el aprendizaje profundo o las redes neuronales 01:41.860 --> 01:46.060 eran algo nuevo que va a impactar el mundo va a cambiar todo 01:46.080 --> 01:51.210 Y entonces, ¿qué pasó? ¿Por qué las redes neuronales no sobrevivieron y no cambiaron el mundo 01:51.200 --> 01:51.750 con eso? 01:51.940 --> 01:57.220 El motivo por el que simplemente no eran lo suficientemente buenos como para no ser tan buenos para 01:57.270 --> 02:02.320 predecir las cosas no es tan bueno para modelar y desordenado simplemente no es un buen invento. 02:02.350 --> 02:03.400 O hay otra razón. 02:03.400 --> 02:08.410 para facilitar las redes neuronales a fin de que las redes neuronales y el aprendizaje profundo funcionen correctamente. 02:08.410 --> 02:15.640 Bueno, en realidad hay otra razón y la razón está en frente de nosotros es el hecho de que la tecnología en aquel entonces no 02:15.700 --> 02:17.130 estaba en el estándar correcto 02:17.140 --> 02:21.880 Necesita dos cosas: necesita datos y necesita una gran cantidad de datos y necesita poder de procesamiento. 02:21.880 --> 02:25.960 Necesita computadoras sólidas para procesar esos datos y facilitarlos, y usted sabe que eso funciona. 02:25.990 --> 02:32.900 Echemos un vistazo a cómo evolucionaron los datos o el almacenamiento de datos a lo largo de los años y luego 02:32.900 --> 02:34.880 veremos cómo ha evolucionado la tecnología. 02:34.880 --> 02:39.350 Así que aquí vamos tres años 1956 1980 2017. 02:39.830 --> 02:43.220 ¿Cuánto miró el almacenamiento en 1956? 02:43.280 --> 02:47.600 Bueno, hay un disco duro y ese disco duro es solo un cinco. 02:47.750 --> 02:54.980 Espere un disco duro de megabytes Eso es cinco megabytes allí en la carretilla elevadora del tamaño de una 02:54.980 --> 03:01.040 habitación pequeña que es un disco duro que se transporta a otra ubicación en un avión. 03:01.370 --> 03:04.670 Y ese es el aspecto del almacenamiento en el. 03:04.700 --> 03:11.360 En 1956 tuvo que pagarle a una empresa que tuvo que pagar dos y medio mil dólares de esos días 03:11.390 --> 03:16.400 dólares para alquilar ese disco duro para alquilarlo, no comprarlo ni alquilarlo por un mes. 03:16.400 --> 03:18.760 En 1980 la situación mejoró un poco. 03:18.800 --> 03:24.290 mil quinientos dólares y sigue siendo muy caro y solo 10 megabytes. Así que eso es como una foto en estos días. 03:24.290 --> 03:27.260 Así que aquí tenemos un disco duro de 10 megabytes por tres 03:27.260 --> 03:36.840 Y hoy en 2017 tenemos una tarjeta SD de 256 gigabytes por $ 150 que puede caber en su dedo. 03:37.100 --> 03:43.790 Y si estás viendo este video un año después o como en 2019 o 2025, probablemente te ríes de nosotros 03:43.790 --> 03:47.240 porque para entonces tienes una capacidad de almacenamiento aún mayor. 03:47.240 --> 03:52.910 Sin embargo, el punto es positivo si los comparamos en general e incluso tomamos en consideración el 03:52.910 --> 03:58.370 precio y el tamaño solo la capacidad de lo que estaba en tendencia en ese momento. 03:58.370 --> 04:04.090 Así, desde 1956 hasta 1980 la capacidad aumentó aproximadamente el doble. 04:04.250 --> 04:12.380 treinta y siete años, por lo que no es tanto un aumento en el tiempo sino un gran salto en progreso tecnológico. 04:12.380 --> 04:20.210 Y luego aumentó alrededor de veinticinco mil seiscientas veces y el saber que la duración del período no es tan 04:20.210 --> 04:24.610 diferente de 1956 a 1980 24 años de 1980 a 2013 04:24.890 --> 04:28.220 Y eso demuestra que esto no es una tendencia lineal. 04:28.220 --> 04:33.830 Este es un crecimiento exponencial de la tecnología y, si lo agregamos, tenga en cuenta 04:33.910 --> 04:37.090 el precio y el tamaño, aumentará en millones. 04:37.280 --> 04:40.540 Y aquí en realidad tenemos un gráfico en una escala logarítmica. 04:40.640 --> 04:46.290 Entonces, si graficamos el costo del disco duro por gigabyte, verá que se ve así. 04:46.430 --> 04:49.880 Nos estamos acercando rápidamente a cero. 04:49.910 --> 04:54.200 En este momento puede obtener almacenamiento en Dropbox y Google Drive, lo que no le cuesta nada. 04:54.200 --> 05:01.280 El almacenamiento en la nube y eso va a continuar y, de hecho, con los años esto va a ir aún más lejos. 05:01.280 --> 05:05.860 En este momento, los científicos están investigando el uso del ADN para su almacenamiento. 05:05.960 --> 05:13.720 Y en este momento es bastante caro, cuesta $ 7000 sintetizar dos megabytes de datos y luego otro pensamiento 05:13.730 --> 05:15.210 de 2004 para leerlo. 05:15.230 --> 05:19.670 Pero ese tipo de recordatorio de toda esta situación del disco duro y el avión, usted sabe que 05:19.670 --> 05:24.590 esto se mitigará muy rápidamente con esta curva exponencial de 10 a 10 años a partir de ahora dentro de 05:24.590 --> 05:28.590 20 años, todo el mundo va a usar almacenamiento de ADN si vamos en esta dirección. 05:28.660 --> 05:33.770 Y aquí hay algunas estadísticas sobre eso para que pueda explorarlo más, tal vez pause la pausa del video si quiere 05:33.770 --> 05:35.360 leer un poco más sobre esto. 05:35.360 --> 05:36.890 Esto es de la naturaleza punto com. 05:37.040 --> 05:44.990 Y, básicamente, puede almacenar todos los datos del mundo en solo un kilo y un kilogramo de almacenamiento de ADN o puede almacenar aproximadamente 05:44.990 --> 05:49.350 mil millones de terabytes de datos en un gramo de almacenamiento de ADN. 05:49.350 --> 05:56.150 Así que eso es solo una muestra de cuán rápido estamos progresando y que esta es la razón por la 05:56.150 --> 06:02.840 cual el aprendizaje profundo está mejorando ahora que finalmente estamos en la etapa en que tenemos suficientes datos para entrenar 06:02.840 --> 06:04.280 modelos súper sofisticados super guay. 06:04.280 --> 06:08.350 En aquel entonces, en la década de los 80, cuando me inventé por primera vez, el zumo no era el caso. 06:08.690 --> 06:15.740 Y lo segundo de lo que hablamos es la capacidad de procesamiento. Aquí tenemos una curva exponencial nuevamente en 06:16.460 --> 06:17.850 una escala de registro. 06:17.850 --> 06:23.840 Está idealmente retratado aquí pero a la derecha porque es una escala de registro y así es como las computadoras han 06:23.840 --> 06:24.410 estado evolucionando. 06:24.410 --> 06:30.530 Así que, una vez más, siéntase libre de publicar la diapositiva que se llama Ley de Moore. Probablemente haya oído hablar de 06:30.530 --> 06:34.120 la rapidez con que ha evolucionado la capacidad de procesamiento de las computadoras. 06:34.310 --> 06:39.920 o 20:23 y luego en 2050 o 2045 superará a todos los humanos combinados. 06:39.920 --> 06:47.960 En este momento estamos en algún lugar aquí donde una computadora promedio puede comprar por mil dólares, piensa a la velocidad 06:48.470 --> 06:54.740 del cerebro de una rata y entre dos y cinco será la velocidad de un humano 06:54.740 --> 07:01.610 Así que, básicamente, estamos entrando en la era de las computadoras que son extremadamente poderosas y que pueden 07:01.610 --> 07:05.670 procesar las cosas MUCHO más rápido de lo que podemos imaginar. 07:05.720 --> 07:08.490 Y eso es lo que está facilitando el aprendizaje. 07:08.600 --> 07:14.510 Entonces, todo esto nos lleva a la pregunta: ¿Qué es el aprendizaje profundo? ¿Qué es esta situación de 07:14.510 --> 07:18.390 red neuronal completa? ¿Qué está pasando? De lo que estamos hablando aquí. 07:18.410 --> 07:20.490 Y probablemente hayas visto una imagen o algo como esto. 07:20.570 --> 07:21.590 Así que vamos a sumergirnos en eso. 07:21.590 --> 07:29.140 ¿Qué es el aprendizaje profundo de este señor aquí Jeffrey Hinton es conocido como el padrino de lo profundo. 07:29.350 --> 07:37.030 E investigó sobre el aprendizaje profundo en los años 80 y ha hecho muchos y muchos trabajos de investigación 07:37.030 --> 07:41.370 que ha publicado en el aprendizaje profundo en este momento. 07:41.370 --> 07:42.920 Él trabaja en Google. 07:43.030 --> 07:47.770 De hecho, muchas de las cosas de las que vamos a hablar provienen de Jeffrey Hinton y se puede 07:47.770 --> 07:48.260 ver mucho. 07:48.300 --> 07:49.840 Tiene bastantes videos de YouTube. 07:49.840 --> 07:53.930 Él explica las cosas muy bien, así que recomiendo echarle un vistazo. 07:54.130 --> 07:59.140 Entonces, la idea detrás del aprendizaje profundo es observar el cerebro humano. 07:59.140 --> 08:01.710 Y este tipo va a venir un poco de neurociencia. 08:01.750 --> 08:09.370 Y en estos tutoriales, lo que intentamos hacer aquí es imitar cómo funciona el cerebro humano. 08:09.400 --> 08:13.300 Y sabes que no sabemos tanto que no sabes todo sobre el cerebro humano, 08:13.300 --> 08:16.730 pero ese pequeño hombre que todos sabemos que queremos imitar y recrearlo. 08:16.730 --> 08:17.230 Y por qué es eso. 08:17.230 --> 08:21.970 copiar eso, podríamos aprovechar lo que la selección natural ya ha decidido para nosotros. 08:22.300 --> 08:28.690 Bueno, porque el cerebro humano parece ser una de las herramientas más poderosas en este planeta para aprender a 08:28.990 --> 08:32.980 aprender habilidades de adaptación y luego aplicarlas, y si las computadoras pudieran 08:32.980 --> 08:37.840 Todos los tipos de algoritmos que ha decidido son los mejores que van a aprovechar eso. 08:37.840 --> 08:39.750 ¿Por qué reinventar el paseo en bicicleta? 08:39.880 --> 08:41.700 Entonces veamos cómo funciona esto. 08:41.710 --> 08:50.260 Aquí tenemos algunas neuronas para que estas neuronas se hayan embadurnado con vidrio y luego se hayan examinado bajo un 08:50.260 --> 08:52.210 microscopio con algo de color. 08:52.270 --> 08:57.310 centro y eso es básicamente lo que parece una neurona como en el cerebro humano 08:57.310 --> 09:02.700 Y esto es que puedes ver cómo se ven, así que tienen como cuerpo estas ramas y 09:02.710 --> 09:06.940 tienen colas iguales, y así puedes ver que tienen un núcleo en el 09:06.970 --> 09:12.310 Hay aproximadamente 100 mil millones de neuronas juntas, por lo que se trata de neuronas individuales; en realidad, 09:12.310 --> 09:17.380 son neuronas motoras porque son más grandes, más fáciles de ver, pero, no obstante, hay cien mil 09:17.470 --> 09:19.740 millones de neuronas en el cerebro humano. 09:20.000 --> 09:23.920 Y está conectado a casi un millar de sus vecinos. 09:23.920 --> 09:26.590 Entonces, para darte una imagen, así es como se ve. 09:26.590 --> 09:32.140 Esta es una sección de datos reales del cerebro humano. 09:32.140 --> 09:38.950 Y este es el cerebelo que es esta parte de tu cerebro en la parte posterior. 09:38.950 --> 09:47.140 Es responsable de más Torex y de saber mantener un equilibrio y algunas capacidades de lenguaje y algo 09:47.140 --> 09:47.680 así. 09:47.680 --> 09:57.460 Así que esto es solo para mostrar cómo Vorst. Cuántas neuronas hay como miles de millones y miles de millones de neuronas conectadas. 09:57.460 --> 10:02.770 Es como si estuviéramos hablando de cinco o quinientos o miles o millones 10:02.770 --> 10:04.780 de millones de neuronas allí. 10:04.910 --> 10:08.350 Y eso es lo que vamos a tratar de recrear. 10:08.350 --> 10:11.700 Entonces, ¿cómo podemos recrear esto en una computadora? 10:11.890 --> 10:20.200 Bueno, creamos una estructura artificial llamada red neuronal artificial donde tenemos nodos o neuronas y vamos a tener algunas neuronas para el 10:20.590 --> 10:26.500 valor de entrada, por lo que estos son valores que usted conoce acerca de una 10:26.500 --> 10:27.340 determinada situación. 10:27.340 --> 10:32.080 Entonces, por ejemplo, estás modelando algo que quieres predecir algo, siempre puedes tener algo 10:32.080 --> 10:33.310 de entrada para comenzar. 10:33.310 --> 10:36.740 Tu predicción está apagada, se llama capa de entrada. 10:36.820 --> 10:38.100 Entonces tienes la salida. 10:38.140 --> 10:43.780 desea predecir o es una sorpresa si alguien va a dejar el banco o permanecer en el banco. 10:43.930 --> 10:45.980 Entonces, ese es el valor que 10:46.260 --> 10:50.530 ¿Es esta una transacción fraudulenta? Es una transacción real, etc. 10:50.890 --> 10:52.420 Entonces la salida será más baja. 10:52.540 --> 10:55.330 Y en el medio vamos a tener una capa oculta. 10:55.330 --> 11:01.600 Entonces, como puedes ver en tu cerebro, tienes tantas neuronas que ingresas cierta información a través 11:01.600 --> 11:04.990 de tus ojos, nariz y básicamente tus sentidos. 11:05.140 --> 11:10.210 directamente a la salida donde tienes el resultado está pasando por todos estos miles de millones y billones de neuronas antes 11:10.240 --> 11:15.130 de la salida de adivinar y este es todo el concepto detrás de eso que vamos a modelar el cerebro . 11:15.130 --> 11:17.050 Y luego es que no es solo ir 11:17.050 --> 11:23.170 Entonces, necesitamos estas capas ocultas que están allí antes de la salida, de modo que las neuronas Lares de entrada se conectan a una 11:23.170 --> 11:26.580 capa oculta de neuronas a la que las neuronas se conectan para producir. 11:26.880 --> 11:29.280 Y entonces esto es esto es genial. 11:29.290 --> 11:30.550 Pero de qué se trata todo esto. 11:30.550 --> 11:34.040 ¿Dónde está el aprendizaje profundo aquí o por qué se llama profundo aquí nada más profundo? 11:34.090 --> 11:41.090 Si bien esto es algo así como una opción que uno podría llamar aprendizaje superficial, donde no hay mucho en 11:41.110 --> 11:41.890 verdad sucediendo. 11:41.890 --> 11:43.400 Pero ¿por qué se llama deplorarlo? 11:43.420 --> 11:50.020 Bueno, porque luego llevamos esto al siguiente nivel lo separamos aún más y no tenemos 11:50.020 --> 11:58.180 un solo golpe y allí tenemos montones y montones y muchas capas ocultas y luego conectamos todo como en 11:58.180 --> 12:01.930 el cerebro humano conectamos todo lo que está interconectado. 12:01.930 --> 12:08.290 Y así es como los valores de entrada se procesan a través de todas estas capas ocultas al igual que en el cerebro 12:08.290 --> 12:08.660 humano. 12:08.770 --> 12:12.380 Entonces tenemos un valor de salida y ahora hablamos de aprendizaje profundo. 12:12.460 --> 12:15.910 De eso se trata el aprendizaje en un nivel muy abstracto. 12:15.940 --> 12:21.180 Y los tutoriales adicionales vamos a diseccionar y profundizar en el aprendizaje profundo y para 12:21.180 --> 12:26.480 el final sabrá de qué se trata la planificación y sabrá cómo aplicarlo en sus proyectos. 12:26.500 --> 12:31.910 Súper entusiasmado con esta espera para comenzar y espero ver el próximo tutorial. 12:31.950 --> 12:33.700 Hasta entonces disfruta del aprendizaje profundo.