7.5: Aprendizaje profundo

Última actualización
Guardar como PDF

Page ID: 149987

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

Hoy en día, el “aprendizaje profundo” es un poco de palabra de moda que solía designar paquetes de software que incluían múltiples métodos de clasificación, y entre las siempre algunas redes neuronales complicadas (multicapa, recurrente, etc.) En ese sentido, R con paquetes necesarios es un sistema de aprendizaje profundo. Lo que se echa de menos (en realidad, no), es una interfaz común con todos los “animales” en este zoológico de métodos. Package mlr fue creado para unificar la interfaz de aprendizaje en R:

Código\(\PageIndex{1}\) (R):

library(mlr)
...
## 1) Define the task
## Specify the type of analysis (e.g. classification)
## and provide data and response variable
task <- makeClassifTask(data=iris, target="Species")
## 2) Define the learner, use listLearners()[,1]
## Choose a specific algorithm
lrn <- makeLearner("classif.ctree")
n = nrow(iris)
train.set <- sample(n, size=2/3*n)
test.set <- setdiff(1:n, train.set)
## 3) Fit the model
## Train the learner on the task using a random subset
## of the data as training set
model <- train(lrn, task, subset=train.set)
## 4) Make predictions
## Predict values of the response variable for new
## observations by the trained model
## using the other part of the data as test set
pred <- predict(model, task=task, subset=test.set)
## 5) Evaluate the learner
## Calculate the mean misclassification error and accuracy
performance(pred, measures=list(mmce, acc))

Además, R ahora tiene interfaces (formas de conectarse con) a (casi) todos los sistemas de software famosos de “aprendizaje profundo”, a saber, TensorFlow, H2O, Keras, Caffe y MXNet.