Conceptos básicos de los codificadores automáticos Ppt de capacitación

Diapositiva 1

Esta diapositiva ofrece una descripción general de los codificadores automáticos en redes neuronales. Un codificador automático es una forma de red neuronal artificial que se utiliza para aprender codificaciones eficientes de entrada sin etiquetar o aprendizaje no supervisado. Al intentar regenerar la entrada a partir de la codificación, la codificación se valida y mejora.

Diapositiva 2

Esta diapositiva enumera los componentes de un AutoEncoder. Estos componentes son un codificador, un decodificador y un espacio latente.

Notas del instructor:

• Codificador: aprende a convertir los datos entrantes en una representación codificada comprimiéndolos (reduciéndolos)
• Decodificador: recupera los datos originales de la representación codificada lo más cerca posible de la entrada original
• Espacio latente: La capa que incluye la versión comprimida de los datos de entrada se conoce como cuello de botella o espacio latente

Diapositiva 3

Esta diapositiva muestra los tipos de codificadores automáticos. Estos incluyen codificadores automáticos incompletos y codificadores automáticos regularizados que se dividen en codificadores automáticos dispersos y codificadores automáticos que eliminan el ruido.

Notas del instructor:

• Codificadores automáticos incompletos: los codificadores automáticos incompletos tienen un espacio latente que es más pequeño que la dimensión de entrada. El codificador automático se ve obligado a capturar los aspectos más importantes de la entrada de entrenamiento mediante el aprendizaje de una representación incompleta
• Autocodificadores Regularizados: Estos emplean una función de pérdida que promueve que el modelo tenga cualidades distintas a la capacidad de transferir entrada a salida. En la práctica, se encuentran dos formas de codificadores automáticos regularizados: codificadores automáticos dispersos y codificadores automáticos de eliminación de ruido.
• Codificadores automáticos dispersos: por lo general, los codificadores automáticos dispersos se utilizan para aprender funciones para un nuevo trabajo, como la clasificación. En lugar de operar simplemente como una función de identidad, un codificador automático que se ha regularizado para que sea escaso debe responder a las propiedades estadísticas únicas del conjunto de datos en el que se ha entrenado.
• Eliminación de ruido de codificadores automáticos: ya no es necesario reconstruir los datos de entrada. En lugar de agregar una penalización a la función de pérdida, podemos cambiar el término de error de reconstrucción de la función de pérdida para obtener un codificador automático que tenga la capacidad de aprender algo significativo. Esto se puede lograr introduciendo ruido en la imagen de entrada y entrenando el Autoencoder para eliminarlo. El codificador aprenderá una representación robusta de los datos al extraer las características más relevantes

Diapositiva 4

Esta diapositiva enumera las aplicaciones de AutoEncoders. Estos incluyen eliminación de ruido, reducción de dimensionalidad, detección de anomalías y traducción automática.

Notas del instructor:

• Eliminación de ruido: La técnica de reducir el ruido de una imagen se conoce como eliminación de ruido. Las técnicas de reducción de ruido de audio e imagen están disponibles a través de codificadores automáticos
• Reducción de dimensionalidad: la transferencia de datos de un espacio de alta dimensión a un espacio de baja dimensión para que la representación de baja dimensión conserve algunos aspectos significativos de los datos originales, idealmente cerca de su dimensión intrínseca, se conoce como reducción de dimensionalidad. La sección del codificador de los codificadores automáticos es útil al realizar la reducción de la dimensionalidad, ya que aprende las representaciones de sus datos de entrada con una dimensionalidad considerablemente reducida.
• Detección de anomalías: se alienta al modelo a aprender a recrear exactamente los rasgos vistos con más frecuencia aprendiendo a replicar las características más destacadas en los datos de entrenamiento (con algunas limitaciones, por supuesto). Cuando se enfrenta a anomalías, el rendimiento de la reconstrucción del modelo debería deteriorarse. En la mayoría de las circunstancias, el codificador automático se entrena utilizando solo datos que contienen instancias normales. El codificador automático reconstruirá correctamente los datos "normales" después del entrenamiento, pero no lo hará con una entrada anómala inesperada
• Traducción automática: los codificadores automáticos se han utilizado en la traducción automática neuronal (NMT), un tipo de traducción automática que utiliza codificadores automáticos. A diferencia de los codificadores automáticos estándar, la salida no está en el mismo idioma que la entrada. Los textos en NMT se ven como secuencias que se codificarán en el mecanismo de aprendizaje, mientras que las secuencias en los idiomas de destino se generan en el lado del decodificador.

Diapositiva 5

Esta diapositiva ofrece una descripción general de los codificadores automáticos variacionales en las redes neuronales. Un codificador automático variacional (VAE) es un enfoque más reciente e intrigante para la codificación automática. VAE supone que los datos de origen tienen una distribución de probabilidad subyacente y luego intenta descubrir los parámetros de la distribución.

Notas del instructor: es mucho más desafiante implementar un codificador automático variacional que implementar un codificador automático. El objetivo principal de un codificador automático variacional es generar nuevos datos conectados a los datos de origen originales.