Reconocimiento de imágenes con TensorFlow desde R

Abstract

La presente investigación se refiere al aprendizaje automático, definido como un tipo de inteligencia artificial que proporciona a los ordenadores la capacidad de aprender centrándose en el desarrollo de programas informáticos y que haga que estos actúen de distinta forma en función de los datos expuestos. La prioridad es utilizar herramientas que nos permitan desarrollar dicho aprendizaje en el reconocimiento y clasificación de imágenes y todo ello en torno a la introducción de las redes neuronales convolucionales, lo cual, supone un antes y un después en el concepto de automatización, como veremos. Conoceremos el funcionamiento de dichas redes desde dentro con la formulación matemática que se lleva a cabo en cada capa y cómo la lectura idónea ante cualquier anomalía en una neruona será desde la última capa a la primera. Para un análisis en profundidad, necesitamos echar la vista atrás y observar cuánto ha avanzado la tecnología en este terreno desde mediados del siglo XX, desde el primer momento en el que se consideró oportuno un símil entre la red de neuronas de nuestro cerebro y el funcionamiento interno de programas informáticos. La finalidad será, por tanto, avanzar en la historia de las redes neuronales desde sus inicios, saber cómo funcionan y qué grandes progresos se han hecho recientemente para, más tarde, exponer ejemplos sencillos de aplicación de redes neruonales convolucionales a la creación, entrenamiento, compilación y predicción de un modelo de redes neruonales capaz de clasificar imágenes, apoyados en paquetes de aprendizaje automático como Keras o TensorFlow y a través de R.

The current investigation refers to machine learning, defined as a type of artificial intelligence that provides computers with the ability to learn by focusing on the development of programs and that makes them act differently based on the exposed computer data. The priority is to use tools that allow us to develop this learning in the recognition and classification of images and all this around the introduction of convolutional neural networks, which supposes a before and a after in the concept of automation, as we will see. We will learn how these networks work from the inside with the mathematical formulation that is carried out in each layer and how the ideal reading for any anomaly in a neuron will be from the last layer to the first. For an in-depth analysis, we need to look back and see how much technology has advanced in this field since the middle of the 20th century, from the first moment in which a simile between the network of neurons in our brain and the internal workings of computer programs of the brain was thought appropriate. The purpose will be, therefore, to advance in the history of neural networks from their beginnings, to know how they work and what great progress has been made recently to, later, present simple examples of the application of convolutional neural networks to the creation, training, compilation and prediction of a neural network model capable of classifying images, supported by machine learning packages such as Keras or TensorFlow and through R.