DEEP LEARNING
Inteligencia Artificial
Machine Learning
Deep Learning
Redes Neuronales
Representación
Aprendizaje
Supervisado
No supervisado
Por refuerzo
Entrenamiento
Aplicaciones
Salud
Predicción de enfermedades
Detección de condiciones
Calcular el riesgo de suicidio
Otros
Economía, Industria y Negocios
Publicidad
Predicción de movimientos en la bolsa
Optimización de procesos industriales y robotización
Entretenimiento
Películas
Vídeos/Fotos
Deep Fakes
Aplicaciones de Identificación
Asistentes virtuales y chatbots
Seguridad y Policia
Desbloqueo de teléfonos
Encuentro de personas desaparecidas
Protección de la aplicación de la ley
Identificación de personas en las redes sociales
Resolución de investigaciones forenses
Lucha conra el terrorismo
Transporte
Vehículos inteligentes
Organización de ciudades
Comunicación
Accessibilidad
Traducción
Transcripción/Text-to-speech
Otras aplicaciones
Seguimiento de la asistencia de los estudiantes
Identificación de planetas nuevos
Investigación del genoma humano
Aplicación en la agricultura
“Deep Dreaming” (sueños profundos)
Composición de música
Historia
Etapas
1ª Etapa Cibernética
(1940-1960)
Entrenar conceptualmente a neurona gracias a "Perceptron"
2ª Etapa Conexionismo
(1980-1995)
Implementación de pesos, conocido como "Backpropagation"
3ª Etapa Deep Learning
(2006-Actualidad)
Entendimiento del mundo jerarquizando conceptos por las máquinas
Evolución
McCulloch-Pitts
Primeros modelos matemáticos de la neurona
Rosenblatt
Primer algoritmo de una red neuronal
Adaline
Primera red neuronal de una sola capa
Riesgos y Ética
Huella Ecológica
Buscar Eficiencia
Aprovechamiento del conocimiento generado
Privacidad de datos
Peligro con el aprovechamiento
del conocimiento generado
Conflictos sociales,
laborales o de otra índole
Explicabilidad de resultados
Problema de la "caja negra"
Nueva legislación
Marco Europeo
Marco Español
Principios éticos para IA
Robótica
Asistencia al ser Humano
Leyes de la Robótica
Individuos inteligentes
Convivencia y similitudes de Humanos e IA
Consecuencias para los humanos
Futuro
Problemas y soluciones
Necesidad de gran cantidad de datos
Aprender patrones con pocos datos (FLS)
Generar nuevos datos respetando el modelo (GAN)
Alto coste de aprendizaje con
patrones de datos muy complejos
Nueva arquitectura de Redes Neuronales (CapsNets)
Alto coste económico
Los componentes se han encarecido
a raíz de la minería de criptomonedas
Huella ecológica
Generación de la electricidad
a través de energías renovables
Mejoras teóricas
Algoritmos que plantean sus propias soluciones
(Aprendizaje no supervisado)
Reconocimiento de patrones en datos complejos
Estudio de la mente humana
Implementar Multidimensionalidad