Professional Documents
Culture Documents
INTEGRANTES DE EQUIPO:
JORGE LUIS CARRILLO ORTIZ
JOSE MARTIN
ADRIAN AGUILAR
ÍNDICE
1 portada
3-4 introduccion
5-6 Antecedentes
7 justificacion
18 conclusion
19 referencias
BORCELLE
1
INTRODUCCION
La clave del éxito del deep learning radica en su capacidad para aprender representaciones de
datos altamente abstractas y no lineales, lo que permite abordar una amplia gama de
problemas complejos. A través del entrenamiento con grandes conjuntos de datos, las redes
neuronales profundas pueden ajustar automáticamente los pesos y las conexiones entre las
neuronas para encontrar patrones y regularidades en los datos, logrando así una capacidad
de generalización que les permite realizar predicciones precisas sobre nuevos ejemplos nunca
antes vistos.
INTRODUCCIÓN
Sin embargo, el Deep learning también presenta desafíos importantes. Requiere grandes cantidades
de datos etiquetados para su entrenamiento, así como una potencia de cálculo considerable.
Además, la interpretabilidad de los modelos de Deep learning es un tema abierto de investigación,
ya que a menudo son considerados como cajas negras debido a la complejidad de su arquitectura.
Puede parecer extraño asociar la palabra “historia” a un campo que, por así decirlo, aún se está
consolidando como es el Deep Learning. Pero lo cierto es que, para remontarnos a los inicios de
esta aproximación a la Inteligencia Artificial, hay que retroceder hasta los años 40 del siglo pasado.
Parece mentira, ¿verdad? Las razones por las que el Deep Learning parece algo tan reciente es
porque, a lo largo de su historia, ha vivido etapas oscuras en cuanto a popularidad. También por
haber sido rebautizado varias veces: solo en los últimos años ha sido referido mediante el término
“Deep Learning”.
Creemos que conocer algo del contexto histórico de esta disciplina, que a todos nos atrae y nos trae
de cabeza a partes iguales, ayudará a comprender mejor su base y sus fundamentos:
Deep Blue ganando al ajedrez a Garri Kasparov en 1997), pero que no pueden afrontar aquellas
otras tareas para las cuales no es posible definir un conjunto formal de reglas que las determinen
perfectamente (como por ejemplo reconocer palabras habladas o caras y objetos…).
Mediante el Deep Learning se propone que las máquinas sean capaces de entender el mundo a
través de una jerarquía de conceptos, de manera que cada concepto se defina a través de sus
relaciones con conceptos más simples. ¿Te imaginas un grafo que represente esta jerarquía cuántas
capas tendría? Seguramente sería muy profundo, ¿verdad? Pues por ese motivo es que el Deep
Learning recibe su nombre.
Si alguna vez has estudiado historia del arte habrás visto un periodo denominado renacimiento, la
transición entre la Edad Media y la Edad Moderna. El oscurantismo había llegado a su fin y con él
las nuevas luces del conocimiento volvían a poner en el centro de atención a aquella época que tan
olvidada estaba: la época clásica.
Así se dio el origen del deep learning y el renacimiento de una (casi) nueva ciencia de datos llamada
redes neuronales.
Nuestro equipo de ingeniería industrial decidió embarcarse en una investigación exhaustiva sobre la
historia del deep learning debido a la creciente relevancia y el impacto significativo que esta tecnología
ha tenido en nuestra disciplina. Comprender la evolución y los desarrollos históricos del aprendizaje
profundo nos permitió obtener una perspectiva más profunda sobre sus fundamentos teóricos,
avances clave y su aplicación en diversos campos.
Al explorar la historia del deep learning, pudimos rastrear sus orígenes desde sus primeros conceptos
en los años 40 hasta los avances más recientes y disruptivos en la actualidad. Analizar los trabajos
pioneros de investigadores y científicos, como Warren McCulloch y Walter Pitts, así como los hitos
importantes en el campo, como el desarrollo de las redes neuronales convolucionales y las redes
neuronales recurrentes, nos ayudó a comprender la evolución gradual de esta disciplina.
Además, al estudiar la historia del deep learning, pudimos identificar los desafíos y obstáculos que se
enfrentaron en el camino y las soluciones innovadoras que se propusieron. Aprendimos de los errores
y los éxitos del pasado, lo que nos permitió evitar repetir errores comunes y adoptar enfoques más
eficientes y efectivos en nuestros propios proyectos y aplicaciones en la ingeniería industrial.
La investigación de la historia del deep learning también nos brindó una perspectiva más amplia sobre
el potencial futuro de esta tecnología en nuestro campo. Al analizar casos de estudio y aplicaciones
exitosas en áreas como el procesamiento de imágenes, la optimización de la cadena de suministro y la
planificación de la producción, obtuvimos ideas valiosas y una mayor inspiración para explorar
nuevas formas de aprovechar el aprendizaje profundo en nuestros propios proyectos y desafíos en la
ingeniería industrial.
En resumen, investigar la historia del deep learning en nuestra disciplina nos proporcionó un contexto
sólido, conocimientos valiosos y una perspectiva informada sobre los fundamentos, los avances y el
potencial futuro de esta tecnología. Nos permitió tomar decisiones más sólidas, innovar de manera
más efectiva y aplicar el aprendizaje profundo de manera estratégica en la resolución de problemas y
la optimización de procesos en la ingeniería industrial.
BUSQUEDA DE PRODUCTOS SIMILARES BASADA
EN IMAGENES
El proceso comienza entrenando un modelo de Deep learning, típicamente una red neuronal
convolucional (CNN), utilizando un conjunto de datos de imágenes que contienen diversos
logos de marcas. Durante el entrenamiento, el modelo aprende a reconocer y extraer
características relevantes de los logos, como formas, colores y patrones específicos.
Una vez que el modelo está entrenado, se puede utilizar para realizar la determinación de
logos en nuevas imágenes. La imagen de entrada se pasa a través del modelo, que analiza y
compara las características de los logos conocidos con las características presentes en la
imagen. Con base en la similitud y las clasificaciones obtenidas, el modelo puede identificar si
existe un logo de marca específico y, en algunos casos, incluso puede identificar la marca en sí.
MONITORIZACION DEL SENTIMIENTO DE LAS PERSONAS ACERCA DE UN
PRODUCTO EN SU LANZAMIENTO MEDIANTE EL PROCESADO DE
IMAGEN EN TIEMPO REAL
Una vez que se han extraído las emociones de las imágenes, se pueden aplicar técnicas de
análisis de sentimiento para cuantificar y comprender mejor la actitud general de los
consumidores hacia el producto en su lanzamiento. Esto implica evaluar la distribución de
emociones positivas, negativas y neutrales, y obtener métricas que reflejen el sentimiento
predominante.
MARKETING PERSONALIZADO BASADO EN LAS PREFERENCIA
DE LAS PERSONAS
El marketing personalizado basado en deep learning puede aplicarse en diversos canales, como correos
electrónicos, anuncios en línea, sitios web personalizados y recomendaciones en tiempo real. Al analizar y
comprender las preferencias de los clientes de manera más precisa, las empresas pueden ofrecer una experiencia
de marketing más relevante y atractiva, lo que puede resultar en un mayor compromiso del cliente y una mayor
tasa de conversión.
MONITORIZACION DE LA FIDELIDAD DE LOS CLIENTES EN FUNCION
DE SUS OPINIONES O ACTIVIDAD EN CANALES CORPORATIVOS
El proceso comienza recopilando los datos generados por los clientes en estos canales
corporativos, como texto de comentarios, calificaciones, historial de compras y otra
información relevante. Luego, se utiliza Deep learning para analizar y extraer información
significativa de estos datos, lo que permite identificar patrones, tendencias y señales que
pueden indicar la fidelidad del cliente.
Utilizando técnicas de análisis de texto y procesamiento del lenguaje natural, los modelos de
deep learning pueden clasificar los comentarios y opiniones de los clientes en categorías
relevantes, como lealtad, insatisfacción, interés en nuevos productos o recomendaciones
positivas. Estas clasificaciones permiten evaluar la fidelidad del cliente y proporcionan
información valiosa para la toma de decisiones en marketing y gestión de relaciones con el
cliente.
IDENTIFICACION DE POTENCIALES CLIENTES
Una vez que el modelo está entrenado, se puede aplicar a nuevas transacciones para evaluar
su nivel de riesgo de fraude. El modelo compara los datos de la transacción entrante con el
comportamiento habitual aprendido de los clientes y genera una puntuación de riesgo. Si la
puntuación supera un umbral predeterminado, se considera una posible actividad
fraudulenta y se activan medidas adicionales de verificación y seguridad.
El Deep learning permite identificar patrones sutiles y no lineales en los datos, lo que ayuda a
detectar fraudes que pueden pasar desapercibidos con enfoques tradicionales de detección.
Además, el aprendizaje continuo del modelo de Deep learning permite adaptarse a las nuevas
tácticas y patrones de fraude a medida que evolucionan.
MEJORA DE LOS DIAGNOSTICOS MEDICOS
BASADOS EN IMAGENES
La mejora de los diagnósticos médicos basados en imágenes mediante el uso de Deep learning
es una aplicación prometedora que ha demostrado un gran potencial en la detección
temprana, la precisión y la eficiencia en el campo de la medicina.
El proceso comienza recopilando una gran cantidad de imágenes médicas, como radiografías,
tomografías computarizadas (CT), resonancias magnéticas (RM) y ecografías, junto con
datos clínicos asociados, como diagnósticos y resultados de pruebas adicionales. Estos datos
se utilizan para entrenar modelos de Deep learning, como redes neuronales convolucionales
(CNN) y redes generativas adversarias (GAN), que aprenden a reconocer patrones y
características relevantes en las imágenes médicas.
Una vez entrenados, estos modelos de Deep learning pueden analizar nuevas imágenes y
proporcionar diagnósticos o recomendaciones a los médicos. Pueden ayudar en la detección
de anomalías, como tumores, lesiones, enfermedades cardíacas, fracturas óseas, entre otras
condiciones médicas. Además, los modelos de Deep learning también pueden ayudar en la
segmentación de imágenes, es decir, identificar y delimitar áreas específicas en una imagen
que son relevantes para un diagnóstico preciso.
La ventaja del Deep learning en la mejora de los diagnósticos médicos radica en su capacidad
para detectar patrones y características que pueden ser sutiles o difíciles de detectar para el
ojo humano. Los modelos de Deep learning pueden aprender a reconocer estas características
en una amplia variedad de imágenes médicas, lo que resulta en una mayor precisión y una
reducción en los errores de diagnóstico.
EN INVESTIGACION MEDICA PARA ENTENDER
MEJOR LAS ENFERMEDADES
En la investigación médica, el deep learning ha demostrado ser una herramienta prometedora para
comprender mejor las enfermedades de diversas formas:
Diagnóstico: El deep learning puede ayudar a mejorar la precisión y la velocidad del diagnóstico
médico. Al entrenar modelos con grandes cantidades de datos médicos, como imágenes de resonancia
magnética, tomografías computarizadas o histopatología, los algoritmos pueden aprender a identificar
patrones sutiles que los médicos pueden pasar por alto. Esto puede ayudar a identificar enfermedades
en etapas tempranas y mejorar los resultados para los pacientes.
Predicción y pronóstico: Los modelos de deep learning pueden utilizar datos clínicos y de laboratorio
para predecir el riesgo de desarrollar ciertas enfermedades o el pronóstico de un paciente. Al analizar
múltiples variables y sus interacciones complejas, estos modelos pueden proporcionar información
valiosa para ayudar a los médicos a tomar decisiones informadas sobre el tratamiento y el cuidado del
paciente.
Personalización del tratamiento: Cada paciente es único, y el deep learning puede ayudar a personalizar
el tratamiento médico. Al combinar datos genómicos, clínicos y de imagen, los modelos pueden
identificar características individuales que influyen en la respuesta de un paciente a un tratamiento
específico. Esto puede ayudar a los médicos a seleccionar terapias más efectivas y evitar tratamientos
que sean menos probables de ser exitosos.
El Deep Learning ha surgido como una tecnología transformadora con aplicaciones significativas
en diversos campos. Su capacidad para analizar grandes cantidades de datos, aprender patrones
complejos y tomar decisiones basadas en ellos ha llevado a avances significativos en áreas como la
medicina, la ciencia, la tecnología, la industria y muchos otros sectores.
En el ámbito del marketing y las empresas, el Deep Learning ha permitido un enfoque más
personalizado y basado en datos para llegar a los consumidores, mejorar las estrategias de
marketing y aumentar la eficacia de las campañas publicitarias.
https://www.ibm.com/mx-es/topics/deep-
learning#:~:text=el%20siguiente%20paso-,%C2%BFQu%C3%A9%20es%20el%20deep%20learning
%3F,de%20grandes%20cantidades%20de%20datos.
https://www.unir.r.net/ingenieria/revista/deep-learning/
https://www.ackstorm.com/deep-learning-clasificacion-imagenes/
https://eprintss.ucm.es/id/eprint/67234/
https://www.cebra.cl/blog/deep-learning-en-marketing/
https://www.featurespace.com/es/newsroom/el-papel-del-machine-learning-en-la-
deteccion-de-fraude/
https://www.revaicare.com/es/big-data-e-inteligencia-artificial-desarrollo-y-evolucion-de-la-
medicina-copy/