WEBVTT 00:00.490 --> 00:02.980 Hola y bienvenidos al curso de aprendizaje profundo. 00:02.980 --> 00:06.900 Hoy estamos iniciando redes neuronales convolucionales va a ser emocionante. 00:06.910 --> 00:08.610 Vamos a sumergirnos directamente en él. 00:08.620 --> 00:10.840 Vamos a comenzar con una imagen. 00:10.930 --> 00:13.210 ¿Qué ves cuando miras esta imagen? 00:13.580 --> 00:19.480 ¿Ves a una persona mirándote o ves a una persona que mira hacia la derecha, puedes ver 00:19.480 --> 00:25.860 que tu cerebro está luchando está luchando para ajustarse si miras hacia el lado derecho de la imagen? 00:25.870 --> 00:29.180 Solo mire en el borde derecho donde verá a una persona mirando hacia la derecha. 00:29.260 --> 00:33.320 Si miras el borde izquierdo de la imagen, verás a una persona mirándote. 00:33.700 --> 00:42.760 Y esto solo prueba que lo que nuestro cerebro está buscando cuando vemos cosas son características que dependen de las características 00:42.760 --> 00:46.140 que ve dependiendo de las características que procesa. 00:46.180 --> 00:48.610 Usted categoriza las cosas de ciertas maneras. 00:48.730 --> 00:54.010 Entonces, cuando miras en el lado derecho de la imagen, ves ciertas características de una persona que busca andar 00:54.010 --> 01:00.190 porque están más cerca de tu centro de atención y, por lo tanto, tu cerebro se clasifica como una persona que mira 01:00.190 --> 01:00.930 hacia la derecha. 01:01.000 --> 01:06.790 ves más características de una persona que te mira y, por lo tanto, tu cerebro lo clasifica como tal. 01:06.790 --> 01:09.580 Cuando miras hacia el lado izquierdo de la imagen, 01:09.580 --> 01:11.150 Echemos un vistazo a otro. 01:11.230 --> 01:12.840 Esta es una imagen muy famosa. 01:12.910 --> 01:14.530 Probablemente ya lo has visto. 01:14.680 --> 01:16.240 Pero lo que ves aquí. 01:16.820 --> 01:23.830 Entonces, algunas personas dirán que ven a una joven con un vestido que mira hacia otro lado. 01:23.830 --> 01:29.980 Algunas personas dicen que ven a una anciana con un pañuelo en la cabeza mirando hacia abajo. 01:30.280 --> 01:36.250 esto y verán que será muy obvio, así que esta es la cara de la joven que mira hacia otro lado. 01:36.250 --> 01:37.510 Así que voy a señalar 01:37.510 --> 01:40.450 Ella está mirando a lo lejos como su abrigo. 01:40.440 --> 01:44.940 Ese es su pelo, que es su pequeña pluma en el pelo y, por otro lado. 01:44.980 --> 01:53.530 Esta es la cabeza de la anciana mirando hacia abajo por su nariz, su barbilla que es la bufanda en su cabeza y 01:53.560 --> 01:55.560 que está mirando hacia abajo. 01:55.780 --> 02:01.960 Entonces, como puedes ver dos en uno, y dependiendo de qué características capte tu 02:02.620 --> 02:06.710 cerebro, cambiará entre clasificar cada imagen como una u otra. 02:06.910 --> 02:13.930 La más antigua de estas ilusiones registrada en el trabajo impreso es esta. 02:13.930 --> 02:15.220 Es el pato o el conejo. 02:15.230 --> 02:17.020 Entonces, ¿es esto un pato o es un conejo? 02:17.020 --> 02:18.330 Otro ejemplo. 02:18.430 --> 02:25.030 Y ahora voy a mostrar una imagen que por un momento solo la miraré y veré 02:25.030 --> 02:28.670 qué emociones o qué tipo de experiencia visual experimentaste. 02:29.110 --> 02:36.610 Entonces, ¿qué ves sientes como un poco no mareado pero un poco deslumbrado como si tu cerebro intentara tratar de 02:36.610 --> 02:40.230 entender qué es lo que está tratando de hacer? 02:40.330 --> 02:49.240 y este es un ejemplo clásico de cuando hay ciertas características en las que podría ser que podría ser eso, pero su cerebro no puede decidir. 02:49.240 --> 02:53.850 Está saltando entre sus ojos hacia arriba y hacia abajo en los ojos 02:54.130 --> 02:58.230 Y porque ambos parecen plausibles. 02:58.290 --> 03:04.360 Sí, así que, básicamente, todos estos ejemplos nos ilustran cómo funciona el cerebro que procesa ciertas características 03:04.360 --> 03:10.970 de una imagen o de lo que sea que veas en la vida real y lo clasifica como tal. 03:10.980 --> 03:16.150 Probablemente has estado en situaciones cuando miras por encima del hombro rápidamente y ves algo 03:16.150 --> 03:23.500 que crees que es, no sé si es como una pelota, pero resulta ser un gato o crees que es un 03:23.500 --> 03:24.030 automóvil. 03:24.070 --> 03:28.030 para procesar esas funciones o no tienes suficientes funciones para clasificar las cosas como tales. 03:28.030 --> 03:31.030 Resulta ser una sombra o cosas así porque no tienes suficiente tiempo 03:31.240 --> 03:38.570 Y esto es para mí, esto es muy interesante porque lo que vamos a hacer con redes neuronales con redes neuronales convolucionales es 03:38.570 --> 03:43.630 muy similar y encontrarás que la forma en que las computadoras van a procesar las imágenes 03:43.630 --> 03:48.190 va a ser extremadamente similar a la forma en que procesamos las imágenes, por 03:48.210 --> 03:53.500 lo que es muy valioso de entender y solo recordar estas cosas, así es como lo hacemos. 03:53.500 --> 03:53.580   03:53.590 --> 03:58.450 Y voy a sacar a esta dama de tus pantallas porque probablemente ya esté volviéndose loca. 03:58.630 --> 04:00.940 Entonces aquí hay algo diferente. 04:00.940 --> 04:07.870 Aquí hay un experimento, un experimento hecho en computadoras en una red neuronal convolucional, así que ahora nos 04:07.870 --> 04:11.150 estamos moviendo lentamente de los humanos a las computadoras. 04:11.350 --> 04:18.490 Y esta diapositiva es de lo que dijo Geoffrey Hinton y aquí básicamente describiste un 04:18.490 --> 04:24.440 experimento que había hecho en algunas redes neuronales convencionales que había entrenado. 04:24.460 --> 04:29.560 Entonces, aquí puede ver tres imágenes y vamos a verlas de izquierda a derecha y ver cómo 04:29.560 --> 04:31.870 las clasificaría y luego verá cómo pueden reclasificarse. 04:31.870 --> 04:35.440 Entonces, a la izquierda, ¿qué crees que es esto? 04:35.440 --> 04:37.710 Probablemente dijo guepardo y tendrás razón. 04:37.710 --> 04:41.740 Y esto es lo que dijo la computadora, y la derecha enseguida, 04:41.740 --> 04:48.400 vamos a aprender a leer estas imágenes porque si vamos a profundizar en las llamadas redes neuronales convolucionales, no hay 04:48.400 --> 04:54.050 juego de palabras que pretenda comenzar a aprender más y más sobre y usándolos verás muchos de estos. 04:54.070 --> 05:01.050 Así que he visto personas que las leen de forma incorrecta, así que aquí, en la parte superior, Shida es lo que realmente 05:01.050 --> 05:01.470 es. 05:01.470 --> 05:07.920 Esa es la etiqueta correcta de la imagen que es la etiqueta de las imágenes independientemente 05:07.920 --> 05:09.180 de cualquier procesamiento. 05:09.300 --> 05:16.770 dijo o la red neuronal dijo que la ropa personal de Chitta o el gato egipcio pueden ser una de las cuatro. 05:17.370 --> 05:24.520 Y la visión por computadora y luego aquí son las conjeturas de las cuatro o cinco suposiciones del algoritmo y se 05:24.810 --> 05:27.460 les da la probabilidad de que la computadora 05:27.540 --> 05:29.120 Y el guepardo tiene el voto más alto. 05:29.130 --> 05:34.820 Y a lo largo de esta parte del curso, usted entiende lo que significan estos votos y cómo se derivan. 05:34.830 --> 05:36.600 Pero por ahora es bastante intuitivo, ¿verdad? 05:36.600 --> 05:40.700 Entonces, es un guepardo en realidad y la red neuronal acertó. 05:40.710 --> 05:44.600 Dijo que con una capacidad de hiper alrededor del 95 99 por ciento. 05:45.900 --> 05:46.860 Luego el segundo. 05:46.860 --> 05:51.050 ¿Qué crees que significa que es un tren bala? 05:51.300 --> 05:57.600 Y la red neuronal fue capaz de distinguir entre la locomotora eléctrica del tren de pasajeros del tren de pasajeros del tren 05:57.600 --> 05:58.020 bala. 05:58.020 --> 05:59.380 Esas son la mejor elección, por supuesto. 05:59.400 --> 06:05.850 Tenía muchas más opciones. Estas redes neuronales aprenden a distinguir entre cuatro categorías de 06:06.000 --> 06:08.760 docenas de categorías al mismo tiempo. 06:08.760 --> 06:10.750 Entonces esas son las cuatro opciones que eligió. 06:10.920 --> 06:12.750 Y eso es un tren bala y su voluntad. 06:12.760 --> 06:17.210 Y entonces, ¿cuál crees que es el último? 06:17.350 --> 06:22.470 Hay un par de opciones o no está muy claro qué es lo que podría ser una 06:22.470 --> 06:29.550 sartén podría ser una lupa, podría ser incluso un par de tijeras que algunos podrían decir, mientras que la red neuronal dijo que era 06:29.550 --> 06:30.540 un par de tijeras. 06:30.750 --> 06:32.590 Pero puedes ver cómo puedes equivocarte aquí. 06:32.610 --> 06:35.440 En primer lugar, no es una imagen muy clara. 06:35.520 --> 06:43.920 Y también se puede ver que las probabilidades no son tan claras aquí, así que la red neuronal estaba un poco confundida, 06:43.920 --> 06:46.280 un poco indeciso, tal como estamos. 06:46.280 --> 06:51.710 Así que dije Tijeras con la alta probabilidad, pero luego tenía un vidrio de mano que en realidad tenía 06:51.810 --> 06:55.760 con no tan lejos en el segundo lugar y un estetoscopio de sartén. 06:55.920 --> 07:01.620 Así que, básicamente, aquí puede ver que las tijeras fueron su primera suposición, pero la opción correcta era la número dos y es por 07:01.620 --> 07:03.050 eso que está resaltada en rojo. 07:03.300 --> 07:07.050 Así que ahí vamos esos Eso es de lo que todas las drogas ya son capaces. 07:07.050 --> 07:08.880 Y esto es en realidad una diapositiva bastante antigua. 07:08.880 --> 07:10.610 Esto fue hace varios años. 07:10.650 --> 07:16.100 son aún mejores y verán que de la aplicación práctica que codificarán juntos almorzaron. 07:16.170 --> 07:16.760 Ahora 07:16.920 --> 07:18.430 Pero ahora probemos un poco mejor. 07:18.430 --> 07:23.770 Qué conveniencia o redes neuronales convolucionales son en realidad y por qué ganan tanta popularidad. 07:23.970 --> 07:31.380 Y en realidad están ganando popularidad, así que puedes ver aquí una comparación de Google Trends que hice ayer. 07:31.770 --> 07:39.420 Aquí se puede ver que las redes neuronales ilusionales de la convención incluso están tomando las redes 07:39.420 --> 07:43.260 neuronales artificiales por lo que un aumento masivo. 07:43.260 --> 07:49.530 Y esto va a seguir así porque es un campo muy importante que es donde pasan todas 07:50.130 --> 07:52.530 las cosas, como los autos sin conductor. 07:52.530 --> 07:59.340 ¿Cómo reconocen a las personas en el camino cómo reconocer las señales de alto y cosas 07:59.340 --> 08:07.680 así? ¿Cómo Facebook puede Facebook etiquetar imágenes o personas en imágenes? Y no solo recordar recordar que hace años 08:07.980 --> 08:14.240 tenías que decírselo a ti mismo, entonces reconocer rostros que tenía que agregar los nombres. 08:14.250 --> 08:18.420 Y ahora solo reconoce las caras y agrega los nombres al mismo tiempo. 08:18.630 --> 08:26.070 Bueno, eso es lo que las redes neuronales convolucionales son capaces de estar en Facebook. 08:26.160 --> 08:34.710 Si Jeffrey Hinton es el padrino de las redes neuronales artificiales y el aprendizaje profundo, entonces yalla Kuhn 08:34.830 --> 08:43.650 es el abuelo de las redes neuronales convolucionales. Lukken es un estudiante de Jeffrey Hinton y, de hecho, 08:43.650 --> 08:45.640 aquí puedes verlos juntos. 08:45.720 --> 08:51.950 Y Jeffrey Hinton ahora es un pionero en el planeamiento en Google Young. 08:52.020 --> 08:57.010 Es el director de la investigación de inteligencia artificial de Facebook y también profesor de NYU. 08:57.030 --> 09:02.650 Así que lentamente nos damos cuenta de que esta parte del núcleo lentamente estamos formando de esta manera. 09:02.670 --> 09:10.770 Estos nombres son de este tipo de imágenes de los perfiles de las personas que conducen este campo y los próximos en los próximos 09:10.950 --> 09:16.680 pares de conocerán un poco más y tendremos toda esta Mafia como se llaman a sí mismos 09:16.680 --> 09:22.320 o puede llamar ellos mafia o conspiración de aprendizaje profundo y aprenderás un poco más sobre cómo 09:22.320 --> 09:24.140 se desarrolló este campo completo. 09:24.480 --> 09:27.200 Sí, son solo estas grandes personas maravillosas. 09:27.450 --> 09:35.370 Y así, RIKOON en los años 80 y 90 hizo contribuciones significativas al campo de las redes 09:35.370 --> 09:36.300 neuronales convolucionales. 09:36.330 --> 09:44.310 Y como verán a lo largo de este curso, han podido desarrollar o ayudar al mundo 09:44.340 --> 09:46.650 a desarrollar algo extremadamente poderoso. 09:46.650 --> 09:51.390 Así que pasemos a cómo pueden funcionar las redes neuronales ilusorias. 09:51.420 --> 09:56.150 Tienes una entrada, es muy simple, es muy sencillo, así que tienen una imagen de entrada. 09:56.160 --> 10:01.930 Pasa a través de la red neuronal ilusoria de latas y usted tiene una etiqueta por lo que clasifica 10:01.990 --> 10:06.630 esa imagen como algo así como un Cheeto o un tren bala u otra cosa. 10:06.790 --> 10:10.780 Ahora me gusta entrar en un poco más de detalle. 10:10.900 --> 10:19.540 Por ejemplo, puede oficial neroli ha sido entrenado en ciertas imágenes en ciertas imágenes clasificadas o imágenes 10:19.780 --> 10:23.600 categorizadas antes de que haya sido anterior superior. 10:23.710 --> 10:29.510 Después de eso, puede darlo, digamos que una red neuronal ha sido entrenada para reconocer expresiones faciales y 10:29.510 --> 10:37.030 movimientos, puede darle una cara de persona sonriente no solo una cara como el dibujo de una cara como esta, sino la cara 10:37.030 --> 10:39.330 real de una persona que sonríe . 10:39.430 --> 10:44.910 Y te diré que esa persona está feliz y que puedes ver la cara de una persona que frunce el ceño. 10:44.910 --> 10:47.180 Te diré que la persona está triste. 10:47.280 --> 10:52.570 Él puede reconocer estas emociones y, como puedes ver, eso ya es muy poderoso en términos 10:52.570 --> 10:59.740 de tantas implicaciones diferentes, solo este ejemplo en el que puedes pensar de inmediato y en ambos casos te otorgaré una operabilidad 10:59.740 --> 11:04.970 para que no diga que sabes ". 100 por ciento la persona está feliz o triste. 11:04.970 --> 11:13.000 Será 99 o 98 o tal vez 80 por ciento cuando no esté claro qué está pasando y, al igual que tenemos razón, 11:13.000 --> 11:16.620 a veces podemos confundir las cosas por lo que no son. 11:16.660 --> 11:23.620 O a veces, a veces, no está claro si la persona sonríe o frunce el ceño o si es un 11:23.620 --> 11:27.910 perro o un gato o si es un tren o un tren bala. 11:28.110 --> 11:32.620 así es como procesamos la información visual, como vimos desde el comienzo de este tutorial. 11:32.980 --> 11:38.600 De acuerdo, a veces no lo tenemos. No hemos visto suficientes características. Todo se reduce a las características porque 11:38.620 --> 11:44.140 Entonces, ¿cómo puede una red neuronal que alberga una red neuronal reconocer estas características? 11:44.140 --> 11:48.770 Bueno, todo comienza en el nivel básico que tienes. 11:48.790 --> 11:54.160 Digamos que tienes una imagen, tienes dos imágenes, una es una imagen en blanco y negro de dos 11:54.160 --> 12:01.270 por dos píxeles y otra es una imagen en color de dos por dos píxeles mientras que las redes neuronales aprovechan el hecho de 12:01.270 --> 12:04.690 que la imagen en blanco y negro es una matriz bidimensional. 12:04.690 --> 12:09.610 Entonces, la forma en que lo vemos ahora a la izquierda es solo la representación visual. 12:09.630 --> 12:11.110 Supongo que algún tipo de imagen. 12:11.250 --> 12:16.600 Y, por simplicidad, es solo una forma bidireccional de visualizar las imágenes, pero en términos informáticos, en 12:16.600 --> 12:22.180 realidad es una matriz bidimensional con cada uno de esos píxeles con un valor entre 0 y 55. 12:22.360 --> 12:27.670 Entonces eso es ocho bits de información para los dos a la potencia de ocho es 256. 12:27.670 --> 12:32.130 Entonces, los valores de 0 a 255 y esa es la intensidad del color. 12:32.260 --> 12:36.240 Y en este caso, el color blanco por lo que 0 será un píxel completamente negro. 12:36.370 --> 12:43.720 255 será un píxel completamente blanco y entre ellos tendrá el rango de escala de grises de las opciones posibles para 12:43.720 --> 12:44.490 este píxel. 12:44.650 --> 12:50.740 es como el punto de partida de que cualquier imagen tiene una representación digital con forma digital. 12:50.740 --> 12:56.510 Y sobre la base de esa información, las computadoras pueden entonces trabajar con la imagen y eso 12:56.620 --> 13:03.460 Y esos son básicamente unos y ceros que forman un número de 0 a 255 para cada píxel y con eso 13:03.460 --> 13:04.340 trabaja la computadora. 13:04.340 --> 13:08.410 En realidad, no funciona con los colores o cualquier cosa que funcione con los unos y los ceros al final 13:08.410 --> 13:08.790 del día. 13:08.800 --> 13:12.820 Eso es algo así como la base de todo. 13:13.360 --> 13:17.110 Y en una imagen en color, en realidad es una matriz tridimensional. 13:17.230 --> 13:24.580 azul pixel azul Larry Green y el resplandor rojo y las flechas y ese sentido para RGV rojo verde azul. 13:24.580 --> 13:25.130 Tienes 13:25.420 --> 13:29.740 Y cada uno de esos colores tiene su propia intensidad. 13:29.740 --> 13:37.010 Entonces, básicamente, un píxel tiene tres valores asignados. 13:37.030 --> 13:41.090 Cada uno de ellos está entre 0 y 256 255. 13:41.380 --> 13:48.340 Y por lo tanto, puede averiguar cuál es esta imagen de qué color es exactamente este píxel. 13:48.340 --> 13:53.520 Al combinar esos tres valores, las computadoras volverán a funcionar con eso. 13:53.530 --> 13:58.930 Esa es la base de todo eso es el canal rojo, el canal verde, el canal azul. 13:59.530 --> 14:08.590 Y, finalmente, echemos un vistazo, por ejemplo, a un ejemplo muy trivial de una cara sonriente. 14:08.820 --> 14:09.610 En términos de computadora. 14:09.610 --> 14:17.710 Si simplemente simplificamos las cosas en lugar de tener de 0 a 255 y tener esos valores solo para 14:17.710 --> 14:25.690 que podamos entender mejor las cosas y captar realmente los conceptos, vamos a decir que cero es blanco, uno 14:25.690 --> 14:26.590 es negro. 14:26.590 --> 14:26.800 Derecha. 14:26.800 --> 14:33.460 Así que simplificaremos las cosas al máximo y verás que esa imagen se puede representar 14:33.460 --> 14:33.900 así. 14:34.000 --> 14:39.150 nuevo al 0 2 256 rango de valores y todo se aplica de la misma manera allí. 14:39.160 --> 14:44.680 Entonces, la razón por la que hemos planteado esto es porque analizamos todas nuestras intuiciones. La estructura de 14:44.680 --> 14:50.530 Stroh es similar a esta, que es muy simple, pero al mismo tiempo, todos esos conceptos pueden traducirse de 14:50.740 --> 14:54.900 Y los pasos que vamos a seguir son si estas imágenes son una evolución óptima. 14:54.910 --> 14:56.820 Paso número dos de la agrupación máxima. 14:56.830 --> 15:02.550 El paso número tres de aplanamiento y el número de paso una conexión completa y puedo 15:02.560 --> 15:09.880 imaginar que probablemente todas estas palabras significan mucho para ti en este momento, pero al final de esta sección del 15:10.000 --> 15:13.940 curso las entenderás con gran detalle y exactamente qué son obra. 15:13.960 --> 15:16.020 Así que comenzaremos en el siguiente tutorial. 15:16.030 --> 15:24.400 Por ahora, la lectura adicional que tal vez desee examinar es un documento original joven de Lukens 15:24.640 --> 15:28.200 que dio lugar a redes neuronales emocionales. 15:28.200 --> 15:31.590 Se llama aprendizaje basado en gradiente aplicado a la cognición documental. 15:31.660 --> 15:34.550 Es posible que haya visto esta imagen antes de flotar en Internet. 15:34.630 --> 15:40.990 Es a partir de ese documento, así que si quieres volver a los comienzos de cómo sucedió todo de 15:40.990 --> 15:46.420 donde vino todo esto, este es el documento para analizar y espero ver en el siguiente tutorial. 15:46.420 --> 15:48.280 Hasta entonces disfruta del aprendizaje profundo.