Quartz 4

Redes Neuronales y Convoluciones

10 min read

Redes Neuronales y Convoluciones

Relacionado: FOCA. biblio. HOME. 12 Introduccion a la Criptografiaseguridad. 2025 02 20 Seguridad iOS memoria permisos y sandboxing.

Las redes neuronales convolucionales (CNNs) son un tipo de arquitectura de redes neuronales diseñadas específicamente para procesar datos con una estructura de cuadrícula, como imágenes.

Las convoluciones dentro de estas redes funcionan como filtros que extraen características relevantes de los datos de entrada. A través de la aplicación de kernels (filtros convolucionales), la red puede detectar patrones como bordes, texturas y formas en diferentes capas de procesamiento.

El proceso de convolución ayuda a reducir la cantidad de información irrelevante, manteniendo solo los aspectos más importantes. Esto permite que la red neuronal aprenda representaciones jerárquicas de los datos de entrada, mejorando la capacidad del modelo para reconocer y clasificar objetos de manera eficiente.

Una CNN consta de varias capas clave:

  • Capa de Convolución: Aplica filtros para extraer características esenciales.
  • Capa de Pooling: Reduce la dimensionalidad de los datos y mejora la eficiencia computacional.
  • Capas Densas (Fully Connected): Procesan la información extraída para realizar la clasificación o predicción final.

Las redes convolucionales son ampliamente utilizadas en visión por computadora, detección de objetos, reconocimiento facial, análisis de imágenes médicas y muchas otras aplicaciones.

Video sobre Redes Neuronales

Explicación detallada del funcionamiento de las redes neuronales convolucionales, su estructura y cómo pueden aplicarse a diferentes problemas de clasificación y procesamiento de imágenes.

Examen

Para la evaluación, se recomienda realizar una tabla en la que se analicen los siguientes aspectos clave:

  • Falsos positivos: Casos en los que el modelo predice incorrectamente una clase positiva cuando en realidad es negativa.

  • Falsos negativos: Casos en los que el modelo no detecta correctamente una clase positiva.

  • Accuracy: Medida de la precisión global del modelo, calculada como:

    Donde:

    • TP (True Positives): Casos correctamente clasificados como positivos.
    • TN (True Negatives): Casos correctamente clasificados como negativos.
    • FP (False Positives): Falsas alarmas.
    • FN (False Negatives): Omisiones de detección.

Además del accuracy, se pueden considerar otras métricas como precisión, recall y F1-score para evaluar el rendimiento del modelo de manera más completa.

Instalación de Conda para Redes Neuronales (CDD)

Para trabajar con redes neuronales en entornos optimizados, se recomienda la instalación de Conda, un sistema de gestión de paquetes y entornos virtuales que facilita la instalación de bibliotecas especializadas en aprendizaje profundo.

Pasos para la instalación y configuración:

  1. Configurar Conda y definir el PATH correctamente

    • Si Conda no está en el PATH, se debe agregar manualmente en el archivo de configuración del sistema.

    • En Linux:

      echo 'export PATH="$HOME/miniconda3/bin:$PATH"' >> ~/.bashrc
source ~/.bashrc

    • En Windows, agregar la ruta de Conda en las variables de entorno.

  2. Instalar las extensiones de Deep Learning

    • Una vez instalado Conda, se recomienda crear un entorno virtual específico para redes neuronales:

      conda create --name deep_learning_env python=3.9
conda activate deep_learning_env

    • Luego, instalar las bibliotecas necesarias para redes neuronales:

      conda install tensorflow keras pytorch torchvision torchaudio

  3. Configurar Python con Conda

    • Para asegurarse de que Python esté correctamente configurado dentro del entorno de Conda, ejecutar:

      conda config --set auto_activate_base false

    • Si se usa Jupyter Notebook, instalarlo dentro del entorno:

      conda install -c conda-forge jupyterlab

Con esta configuración, se dispone de un entorno optimizado para el desarrollo de modelos de redes neuronales utilizando TensorFlow, Keras y PyTorch.

Práctica en KNIME

1. Preprocesamiento de Datos

  • Verificar si hay valores faltantes en el dataset.
  • Como el problema tiene 6 grupos, se trata de una tarea de clasificación, y utilizaremos redes neuronales para resolverlo.
  • Renombrar la columna col36 a label, especialmente si su significado no está claro.
  • Normalización de los datos:
    • Escalar los valores entre 0 y 1 para mejorar la estabilidad del entrenamiento.

2. Ingeniería de Características

  • Aplicar filtrado de características si es necesario.
  • Particionamiento de los datos:
    • Utilizar un muestreo estratificado, lo que significa que los valores se extraen de manera balanceada por clase.
    • Se toma un 33% de los datos por clase para el conjunto de prueba.
    • En problemas multiclase, este método evita que una clase esté sobrerrepresentada.

3. Implementación de la Red Neuronal en Python (TensorFlow)

Dado que en KNIME puede ser más complejo configurar redes neuronales avanzadas, implementaremos el modelo en Python con TensorFlow.

Definición de la Red Neuronal

  • Parámetros iniciales:

    • Número de columnas (entradas).
    • Número de clases (salidas).
    • Número de neuronas en la capa oculta.

  • Estructura de la red:

    1. Capa de entrada (Placeholder).
    2. Capas ocultas:
      • Usamos 10 capas ocultas con activación ReLU.
      • La capa de entrada tiene tantas neuronas como columnas de datos.
    3. Capa de salida:
      • 6 neuronas para 6 clases.
      • Función de activación Softmax para la clasificación multiclase.

Entrenamiento de la Red Neuronal

  • Variables de entrenamiento:

    • x_train: datos de entrada.
    • y_train: etiquetas de salida.
    • batch_size = 32: divide los datos en lotes pequeños para optimizar el entrenamiento.
    • epoch = 100: el número de iteraciones completas sobre el dataset.

  • Optimización y pérdida:

    • Función de pérdida: Error cuadrático medio (MSE) o Entropía cruzada, según el caso.
    • Se selecciona un optimizador adecuado (ej. Adam).

  • Proceso de entrenamiento:

    • Para cada época:
      1. Se divide el conjunto en batches.
      2. Se entrena la red neuronal.
      3. Se calcula el error y se ajustan los pesos para mejorar el rendimiento.
    • Se grafica la pérdida en cada época para monitorear la convergencia del modelo.

4. Evaluación del Modelo en KNIME

  • Configuración de ejecución:

    • Se utiliza el nodo Network Execution.
    • Configurar input batch size.
    • Marcar la opción “Keep Input Column” para conservar el dataset original.

  • Limitaciones de las Redes Neuronales:

    • Alto consumo computacional, especialmente para redes profundas.
    • La salida es un conjunto de 6 neuronas con probabilidades.
    • Se debe convertir la salida en un solo valor para facilitar la evaluación.

  • Conversión de la salida:

    • Usar Many-to-One para reducir las 6 columnas de probabilidad a una única predicción.
    • Seleccionar la categoría con la probabilidad más alta.

  • Evaluación con métricas:

    • Usar el nodo Score en KNIME.
    • Medir precisión, recall y F1-score.

Nota: Si importas un workflow, resetea los datos para evitar que pesen demasiado, especialmente cuando se despliega.

5. Implementación con Keras en KNIME

El uso de nodos de Keras en KNIME permite mayor flexibilidad en la arquitectura, aunque requiere configuraciones adicionales.

Definición del Modelo con Keras

  • Capa de entrada:
    • Se requiere un filtrado de datos previo si el dataset contiene ruido.
  • Capas intermedias (Densas):
    • Definir el número de neuronas ocultas.
    • Función de activación recomendada: ReLU.
  • Capa de salida:
    • Se definen 6 neuronas para clasificación.
    • Se usa la función de pérdida Mean Squared Error.

Entrenamiento del Modelo

  • Configuración en Keras:

    • epochs = 32
    • Se selecciona un optimizador adecuado para la convergencia de la función de pérdida.
    • Compatibilidad con CUDA: KNIME permite utilizar GPU para acelerar el entrenamiento.

  • Diferencias con el código en Python:

    • En KNIME se usa Keras en lugar de TensorFlow puro.
    • Los hiperparámetros pueden modificar el resultado final.

6. Redes Neuronales Convolucionales en KNIME

Las redes convolucionales (CNNs) son ideales para procesamiento de imágenes.

Estructura de la Red Convolucional

  • Capas principales:
    • Capa de convolución con pooling:
      • Aplicación de filtros para extraer características.
      • La cantidad de neuronas no depende del tamaño de la imagen.
    • Capa Flatten: convierte las características en una estructura lineal.
    • Capa Dropout: previene overfitting.
    • Capa de salida:
      • Se usa una única neurona para clasificación binaria con activación sigmoide.

Configuración en Keras para imágenes

  • Se utilizan imágenes de 150x150 píxeles con 3 canales RGB.
  • Parámetros importantes:
    • Tamaño del kernel y el stride.
    • Activación ReLU.
    • Aplicación de 32 filtros para extraer características.
    • Capa densa con 64 neuronas.
    • La capa de salida usa activación sigmoide para clasificación binaria.

Preprocesamiento del Dataset en KNIME

  1. Carga de datos:
    • KNIME permite el uso de repositorios en la nube, aunque en su versión de pago.
    • Las etiquetas suelen estar en el nombre de los archivos.
  2. Extracción de la ubicación:

    • Ordenar los datos según la dirección del Path.

    • Extraer la localización como una columna adicional.

    • Usar Rule Engine para asignar etiquetas:

      $location$ LIKE "CAT" => "CAT"

    • Asegurarse de que los nombres de carpeta no contengan etiquetas ambiguas.

Transformación de Imágenes

  • Las redes neuronales trabajan con valores numéricos, por lo que:
    • Se asigna True = 0 y se normalizan los demás valores.
    • Se usa Image Reader para cargar imágenes en memoria.
    • Se pueden usar metadatos para enriquecer el modelo.
    • Se redimensionan las imágenes con Image Resizer.
    • Se eliminan columnas innecesarias (Path).
    • Se divide el dataset en 80% entrenamiento y 20% prueba con Stratified Sampling.

7. Configuración de Conda en KNIME

  • KNIME permite copiar configuraciones de Conda.
  • Se recomienda configurar Conda como hiperparámetro.
  • Activar las opciones:
    • “Shuffle training data before each epoch”.
    • “Use random seed” para mejorar la estabilidad del entrenamiento.
  • Optimizador recomendado: Adam.
  • Función de pérdida: Binary Cross Entropy.

Aquí tienes el texto corregido y expandido para mayor claridad y precisión:

Proximidad de Clases y Análisis de Redes

Aunque el concepto de proximidad de clases no está directamente vinculado con Machine Learning, sí es relevante en el análisis de redes y en el entrenamiento de modelos en grafos.

Entrenamiento en Grafos y Procesamiento de Datos

  • El procesamiento de grafos es una técnica utilizada para analizar relaciones complejas en los datos.
  • Se aplica en diversas áreas como:
    • Sistemas de recomendación (ej. algoritmos de propagación en redes sociales).
    • Análisis de fraudes en transacciones financieras.
    • Optimización de redes de transporte.
  • Diferencia con Machine Learning tradicional:
    • En lugar de entrenar modelos basados en características tabulares o imágenes, se usan estructuras de grafos donde los nodos representan entidades y los aristas representan conexiones.

Procesamiento Natural del Lenguaje (NLP) e Inteligencia Artificial General (AGI)

  • NLP se enfoca en la interpretación y generación de lenguaje natural por parte de máquinas.
  • La Inteligencia Artificial General (AGI) busca desarrollar sistemas capaces de razonar y aprender de manera similar a los humanos.
  • Ambas áreas pueden beneficiarse del análisis de redes, especialmente en tareas como la representación de conocimiento y el aprendizaje basado en relaciones.

Datasets Relevantes

Algunos datasets utilizados en análisis de redes y Machine Learning incluyen:

  1. DeepLi, Jarle y Kun MDSTI

    • Son datasets avanzados utilizados en investigaciones de IA.
    • Meta (anteriormente Facebook) los ha utilizado en proyectos de vanguardia.

  2. Jarnel Pool

    • Es un dataset de números, útil para reconocimiento de matrículas.
    • En lugar de usar redes neuronales, se pueden aplicar filtros tradicionales para mejorar la precisión.

Modelado Numérico en Machine Learning

Para problemas de clasificación numérica, se pueden utilizar varias estrategias:

One-to-Many para Clasificación de Números

  • Permite transformar una entrada numérica en varias clases.
  • Se usa cuando un solo número puede representar múltiples categorías en el modelo.

Función de Activación: Softmax

  • En modelos de clasificación, Softmax se usa para convertir una serie de valores numéricos en probabilidades normalizadas.
  • Asegura que la suma de las probabilidades sea 1, facilitando la toma de decisiones en problemas de clasificación multiclase.

Función de Pérdida: Entropía Cruzada

  • La entropía cruzada se utiliza en clasificación multiclase para medir la diferencia entre la distribución de probabilidad real y la predicha por el modelo.

  • Se define como:

donde:

- **p(x)** es la distribución real de las clases.
- **q(x)** es la distribución de probabilidades generada por el modelo.

Ejemplo de Aplicación:

  • En reconocimiento de matrículas, en lugar de entrenar un modelo con redes neuronales profundas, se pueden aplicar filtros adaptativos que segmenten y extraigan los caracteres de la imagen.
  • Esto puede ser más eficiente en términos computacionales sin comprometer la precisión del modelo.

Graph View

Backlinks