[ES] El Deep Learning (o aprendizaje profundo) es un término que está tomando
mucha fuerza en muchas de las ramas de la ciencia a día de hoy. La facilidad de
generar modelos de Inteligencia Artificial con entornos de ...[+]
[ES] El Deep Learning (o aprendizaje profundo) es un término que está tomando
mucha fuerza en muchas de las ramas de la ciencia a día de hoy. La facilidad de
generar modelos de Inteligencia Artificial con entornos de Deep Learning como
TensorFlow ha hecho que la divulgación de este tópico se este extendiendo de
manera notable.
En esta memoria, pretendemos introducir el concepto de redes neuronales, de
Deep Learning, su historia y los factores por los que está teniendo tanto impacto
en la actualidad. En concreto, revisaremos la necesidad del hardware para la
producción de estos modelos y qué tipos de entornos están a nuestra disposición
para realizar modelos de redes neuronales.
A continuación introduciremos TensorFlow, la librería de Deep Learning desarrollada
por Google, y la utilizaremos para formular nuestros modelos que nos
servirán para resolver los problemas de reconocimiento de imágenes que se proponen
en las bases de datos (o datasets) de MNIST y CIFAR-10.
Finalmente, ejecutaremos y entrenaremos nuestros modelos con las GPUs proporcionadas
por la Universidad. Comentaremos y compararemos resultados con
ambos datasets, y presentaremos nuestras conclusiones del trabajo realizado y de
los resultados conseguidos.
[-]
[CA] El Deep Learning (o Aprenentatge Profund) es un terme que està prenent molta
força en moltes de les branques de la ciència hui en día. La facilitat de generar
models de Inteligència Artificial amb entorns de Deep ...[+]
[CA] El Deep Learning (o Aprenentatge Profund) es un terme que està prenent molta
força en moltes de les branques de la ciència hui en día. La facilitat de generar
models de Inteligència Artificial amb entorns de Deep Learning com TensorFlow
ha fet que la divulgació d’aquest tòpic s’estiga escampant per tot arreu.
En aquesta memòria pretenem introduir el concepte de xarxes neuronals y el
Deep Learning, la seua història y els factors pels que hui en día ha tingut èxit. En
concret, revisarem la necesitat de hardware per a la producció d’aquests models
y quins tipus d’entorns estàn al nostre abast per a realitzar models de xarxes
neuronals.
Acte seguit introduirem TensorFlow, la llibrería de Deep Learning desenvolupada
per Google, y la utilitzarem per a formular models que ens serviràn per a
resoldre els problemes de reconeixement d’imatges que ens proposen els datasets
de MNIST y CIFAR-10.
Finalment, executarem y entrenarem els nostres models amb unes GPUs proveïdes
per l’Universitat. Comentarem i compararem resultats amb ambdós bases
de dades (o datasets), y presentarem les nostres conclusions del treball realitzat y
del resultats aconseguits.
[-]
[EN] The concept of Deep Learning is growing in almost every branch of science,
and for a good reason. The ease with which someone can produce Artificial Intelligence
models with the resources and frameworks available ...[+]
[EN] The concept of Deep Learning is growing in almost every branch of science,
and for a good reason. The ease with which someone can produce Artificial Intelligence
models with the resources and frameworks available nowadays is making
the term Deep Learning echo almost everywhere with an astonishing speed.
In this report, we aim to introduce the concept of a Neural Network and bind
it with Deep Learning and Image Classification, learn its own history and explain
the reason why it is getting so much importance nowadays. To be precise,
we will review the need of hardware to develop such models and what kind of
environments are available for us to produce Neural Network Models.
Later we will introduce TensorFlow, the Deep Learning framework developed
by Google. We will use TensorFlow to code our models in order to solve the
Image Classification problems provided by the datasets of MNIST and CIFAR10.
Lastly, we will execute and train our models with the GPUs provided by our
University. Later, we will discuss/compare the results from both datasets, and
then finally explain the conclusions from our work and the data obtained.
[-]
|