Deep Learning y aplicación en Ingeniería industrial
Enviado por marcossvaym • 28 de Agosto de 2023 • Trabajo • 1.871 Palabras (8 Páginas) • 53 Visitas
[pic 1][pic 2]
[pic 3]
GRADO EN INGENIERÍA
EN ELECTRÓNICA INDUSTRIAL Y AUTOMÁTICA
Deep Learning y aplicación en Ingeniería industrial.
Autores:
Marcos Seco Vallejo
David Hermosilla Trespaderne
Índice de contenidos
Introducción 2
1 Breve historia del Deep Learning. 3
1.1 De los años 40 a los 60. 3
1.2 De los años 40 a los 60. 3
1.3 Del 2006 a la actualidad. 3
2 ¿Qué son Machine Learning y Deep Learning? 4
2.1 Machine Learning. 4
2.1.1 Clasificación según su aprendizaje. 4
2.2 Deep Learning. 5
2.2.1 Clasificación de las Redes Neuronales artificiales. 6
3 Ejemplos de utilización de Deep Learning. 9
4 Aplicaciones del Deep Learning dentro del ámbito industrial. 10
4.1 Deep Learning en el control de calidad. 11
5 Clasificación de imágenes usando Googleneet en Matlab 13
5.1 Referencias programa RRNN 14
6 Referencias 15
Introducción
Para hablar del Deep Learning en primer lugar tenemos que introducir el concepto de Inteligencia Artificial (IA).
La IA, es una parte de la de la informática que consiste en la capacidad que tendría una máquina para resolver diferentes problemas de la misma manera que lo haría una persona.
De este concepto deriva el Machine Learning (ML), que a parte de la resolución del problema como lo haría un humano, queremos que la máquina realice un aprendizaje autónomo.
Con la evolución del Machine Learning llegamos al Deep Learning o aprendizaje profundo, basado en las redes neuronales humanas, siendo lo más parecido a una mente propia, lo que revoluciona el mundo de la tecnología.
En las siguientes páginas se entra en más profundidad en el Deep Learning.
[pic 4]
Breve historia del Deep Learning.
El inicio del Deep Learning se remonta sobre la década de los 50, aunque esta acepción es actual se puede hacer un seguimiento a través de la historia en la que se diferenciamos 3 etapas.
De los años 40 a los 60.
En 1943 McCulloch y Pitts realizan un modelo neuronal como unidad de cálculo que replica el comportamiento de una neurona natural.
En 1950 Alan Turing crea un test para discernir si una máquina es inteligente. Creando el Test de Turing pretendía ver si una máquina podría engañar a un ser humano.
De los años 40 a los 60.
En la década de los 80 se crean los sistemas expertos basados en reglas.
El problema es que el hardware no estaba lo suficientemente desarrollado, lo que generó que se minusvalorara esa tecnología.
En 1997 un ordenador de IBM llamado Deep Blue logra vencer al campeón del mundo de ajedrez Gary Kaspárov.
Del 2006 a la actualidad.
A partir del 2006 y con la mejora de la potencia de cálculo y el acceso a una gran cantidad de datos vuelve a relanzar el campo del Machine Learning.
En el 2006 es cuando se utiliza por primera vez el término Deep Learning por un informático británico llamado Geoffrey Hinton.
Más adelante diferentes y conocidas compañías tecnológicas empiezan a apostar por el Deep Learning tales como Google, Facebook y amazón.
En la actualidad se está produciendo un repunte en el uso y la investigación del Deep Learning.
¿Qué son Machine Learning y Deep Learning?
Machine Learning.
Como ya adelantamos, el Machine Learning utiliza la capacidad de una máquina para que aprenda de manera autónoma usando un gran conjunto de datos y la capacidad de procesamiento de los ordenadores modernos.
Por lo tanto, se entrena a la máquina a partir de una serie de datos, cuando se le muestran nuevos datos la máquina realiza cálculos adaptados a los anteriores para ofrecer nuevas respuestas de manera precisa.
Explicado de otra manera, mediante el uso de algoritmos hacemos que la máquina sea capaz de aprender, con la capacidad de resolver de manera analítica diferentes problemas a través de clasificar identificar o predecir datos.
Clasificación según su aprendizaje.
- Aprendizaje supervisado:
Se caracteriza fundamentalmente en introducir datos previamente etiquetados, por lo que a los datos de entrada les asigna una etiqueta adecuada dependiendo de los datos que se han introducido previamente.
El algoritmo es capaz de aprender de decisiones tomadas con anterioridad para elegir la salida más adecuada.
...