Introducción a las redes neuronales - Auto-codificadores (autoencoders) pt1

Esta presentacion, impartida por Juan Irving Vasquez jivg.org del Centro de Innovacion y Desarrollo Tecnologico en Computo del Instituto Politecnico Nacional IPN, introduce los fundamentos de los Autoencoders AE y su papel en el modelado generativo profundo. El modulo se enfoca en los Modelos Neuronales No Supervisados, cuyo objetivo es aprender la estructura a partir de datos no etiquetados. Contenido clave explorado: Autoencoders AE Clasicos: Son redes neuronales entrenadas para tratar de copiar su entrada a su salida. Se componen de una funcion codificadora que produce un embedding y una funcion decodificadora que reconstruye la entrada. Autoencoders Regularizados: Variantes diseñadas para evitar que la red aprenda la funcion identidad: - Under-complete Bottleneck: Implementan un espacio latente mas pequeño, util para la reduccion de dimensionalidad. - Sparse Escasos: Penalizan la representacion incrustada para que solo un numero reducido de unidades ocultas este activo. - Denoising Desruidificadores: Son robustos al ruido y se entrenan para predecir la entrada original a partir de una version corrupta, forzando al codificador a aprender caracteristicas estables. - Contractive Contractivos: Estan diseñados para aprender una representacion robusta a pequeñas variaciones en los datos de entrada. Aprende sobre la representacion basada en la reconstruccion y las tecnicas que sustentan el deep generative modeling.