Wikipedia:Proyecto educativo/Fundamentos tecnológicos del e-learning 2018/19 (II)/Aula 1/Grupo 14

Acuerdos y fases para la elaboración de un artículo en la Wikipedia

Una vez establecido el grupo de trabajo en torno a una temática de interés común, a continuación se muestran las indicaciones para el establecimiento explícito de acuerdos entre los integrantes y la atribución de responsabilidades según las diferentes fases del trabajo:

1. Fase de acuerdos iniciales. Distribución del trabajo entre los participantes del grupo, estableciendo los roles de cada uno, las tareas a realizar y su temporización. Primer acuerdo sobre los elementos del artículo a modificar y/o completar en el espacio de “Taller”.
2. Fase de documentación sobre la temática. Incluye la profundización sobre la temática mediante una búsqueda e identificación de fuentes relevantes.
3. Fase de análisis y síntesis individual de la información de relevancia a ser incorporada en el artículo. Esta redacción puede realizarse de manera privada o directamente en el “Taller” para que todos los integrantes del grupo puedan ir haciendo un seguimiento del avance del artículo.
4. Fase de publicación en el taller de todas las secciones/párrafos del artículo acordados por cada uno de los participantes. Se debe utilizar la “Lista de control” para verificar que se respetan los criterios formales de publicación de la Wikipedia.
5. Fase de revisión. En base a una versión cuasi definitiva del artículo, cada participante del grupo debe realizar una revisión general para asegurar que el texto de todo el grupo respeta una estructura, estilo y lenguaje coherentes y que los contenidos han sido desarrollados en su totalidad.
6. Fase de verificación. Cuando se disponga de la versión definitiva, se debe consultar nuevamente el documento “Lista de control” y revisar que todo el documento cumple cada punto. En caso contrario se revisará el artículo nuevamente antes de escribir al profesor para pedir su autorización para publicar.
7. Fase de publicación. Una vez recibida la autorización del profesor, se puede proceder a la publicación en Wikipedia párrafo a párrafo, no todo a la vez.

Tarea	Responsable	Semana 1	Semana 2	Semana 3	Semana 4
Seguimiento del trabajo en grupo (monitorear y alertar posibles retrasos)	(asignar)
Elementos del artículo a modificar	todos
Documentación	todos de manera individual
Análisis y síntesis	todos de manera individual
Publicación en el taller	todos
Revisión	todos
Verificación	(asignar)
Notificación al profesor	(asignar)
Publicación en Wikipedia	(asignar)

Aprendizaje profundo

Aprendizaje profundo (en inglés, Deep Learning) es un conjunto de algoritmos de clase aprendizaje automático (en inglés, machine learning) que intenta modelar abstracciones de alto nivel en datos usando arquitecturas compuestas de transformaciones no lineales múltiples​.

Se deben distinguir los conceptos de inteligencia artificial, machine learning o aprendizaje automático y deep learning o aprendizaje profundo. La inteligencia artificial es la que engloba al concepto de machine learning y esta a su vez al Deep learning. La inteligencia artificial define la interacción entre la máquina y el mundo que le rodea. Machine Learning en general trata de codificar gran cantidad de datos de muestra para encontrar patrones o aprender por si mismo a realizar la tarea. Y el aprendizaje profundo lleva la inteligencia de la máquina aún más lejos​.

El aprendizaje profundo es parte de un conjunto más amplio de métodos de aprendizaje automático basados en asimilar representaciones de datos. Una observación (por ejemplo, una imagen) puede ser representada en muchas formas (por ejemplo, un vector de píxeles), pero algunas representaciones hacen más fácil aprender tareas de interés (por ejemplo, "¿es esta imagen una cara humana?") sobre la base de ejemplos, y la investigación en esta área intenta definir qué representaciones son mejores y cómo crear modelos para reconocer estas representaciones.

Varias arquitecturas de aprendizaje profundo, como redes neuronales profundas, redes neuronales profundas convolucionales, y redes de creencia profundas, han sido aplicadas a campos como visión por computador, reconocimiento automático del habla, y reconocimiento de señales de audio y música, y han mostrado producir resultados de vanguardia en varias tareas.

Existen diferentes maneras de poner en funcionamiento Aprendizaje profundo. La más habitual es utilizar redes de neuronas. La red de neuronas configura matemáticamente de manera sintética la actividad de las neuronas en el cerebro. Las neuronas se ordenan en capas, los datos entran por las capas de entrada, estas se conectan con las siguientes capas, llamadas ocultas hasta las de salida, dónde se produce los datos finales. En el proceso se realizan distintas operaciones matemáticas. Las neuronas de una capa con la siguiente están relacionadas mediante un peso. Cada neurona se conexiona con cada neurona de la siguiente capa. No todos los casos son así, hay otras redes que su conexión es no se realiza con todas las siguientes neuronas o sus conexiones es conexionadas diferente.​

Otra manera de llevar a cabo el aprendizaje profundo es con auto-codificadores, en este caso, las neuronas de entrada tienen que ser las mismas que en la salida y suelen tener tres capas. Se dice que se trata de un aprendizaje no supervisado ya que descubren por sí mismo como organizar la conexión con entre capas. El ordenador ejecuta por sí mismo sin necesidad de intervención humana directa. ​

El gran progreso del aprendizaje profundo ha sido la manera de combinar las conexiones entre neuronas y especialmente el uso de auto-codificadores que logran el aprendizaje no supervisado eficiente. Logrando altos niveles de precisión. Hecho imprescindible para sus aplicaciones, como para un coche sin conductor reconocer las diferentes señales de tráfico, peatones, etc.

Algunas de las aplicaciones que puedes realizar gracias a el reconocimiento facial, de voz o de imágenes son​:

• El control automático de un coche
• Sistemas de asistencia al conductor
• El rechazo de un billete falsificado en un cajero automático
• La traducción de textos

Factores tecnológicos que hacen alcanzar este grado de precisión posible:

• Fácil acceso a conjuntos masivos de datos etiquetados
• Mayor potencia informática, el alto rendimiento acelera el proceso.
• Ensayados modelos construidos por expertos.

Definiciones

No existe una única definición de aprendizaje profundo. En general se trata de una clase de algoritmos ideados para el [automático]. A partir de este punto común, diferentes publicaciones se centran en distintas características, por ejemplo:

• Usar una cascada de capas con unidades de procesamiento no lineal para extraer y transformar variables. Cada capa usa la salida de la capa anterior como entrada. Los algoritmos pueden utilizar aprendizaje supervisado o aprendizaje no supervisado, y las aplicaciones incluyen modelización de datos y reconocimiento de patrones.

• Estar basados en el aprendizaje de múltiples niveles de características o representaciones de datos. Las características de más alto nivel se derivan de las características de nivel inferior para formar una representación jerárquica.

• Aprender múltiples niveles de representación que corresponden con diferentes niveles de abstracción. Estos niveles forman una jerarquía de conceptos.

Todas estas maneras de definir el aprendizaje profundo tienen en común: múltiples capas de procesamiento no lineal; y el aprendizaje supervisado o no supervisado de representaciones de características en cada capa. Las capas forman una jerarquía de características desde un nivel de abstracción más bajo a uno más alto.

Los algoritmos de aprendizaje profundo contrastan con los algoritmos de aprendizaje poco profundo por el número de transformaciones aplicadas a la señal mientras se propaga desde la capa de entrada a la capa de salida. Cada una de estas transformaciones incluye parámetros que se pueden entrenar como pesos y umbrales​. No existe un estándar de facto para el número de transformaciones (o capas) que convierte a un algoritmo en profundo, pero la mayoría de investigadores en el campo considera que aprendizaje profundo implica más de dos transformaciones intermedias​.

Computación en la nube

Las GPU para procesamiento general

Conocidas como GPGPU, las tarjetas de vídeo para procesamiento general permiten ejecutar los algoritmos de entrenamiento y evaluación de los modelos de aprendizaje profundo. Debido a la naturaleza altamente paralelizable de estos problemas, la utilización de las GPGPU permite un aumento en el desempeño de varios órdenes de magnitud.

Las GPU en la nube

Los grandes proveedores de servicios en la nube han comenzado a ofrecer servicios de infraestructura especializados para procesamiento con GPU. Nvidia se ha asociado con diversos proveedores para ofrecer dichos servicios, Amazon, Azure e IBM por nombrar algunos.​

Google Cloud y TensorFlow

Acompañando a su plataforma TensorFlow, Google introdujo la Machine Learning Platform, que provee servicios de aprendizaje automático modernos con modelos preentrenados y un servicio para generar modelos personalizables. A diferencia de los otros proveedores, se presenta como una alternativa PaaS más que un IaaS[[1]].

Referencias

​