Fundamentos de Machine Learning y Deep Learning: Aplicaciones en la Detección de Tuberculosis en Imágenes Radiográficas

Abstract

El siguiente libro tiene la finalidad de difundir los inicios del aprendizaje profundo o Machine Learning (ML) que se originaron a mediados del siglo XIX, las crisis ocasionadas por los fondos de investigación denominándolo invierno en Inteligencia Artificial (IA), las diversas aplicaciones que se uti¬liza en la actualidad y las herramientas necesarias para iniciar en el campo de ciencias de datos. Para iniciar con un proceso de automatización por medio de un modelo in¬teligente debemos de considerar la importancia de datos para su análisis y procesamiento, debido que esto se considera como desafío y claro ejemplo se dio en 1970 durante el primer invierno de IA, donde no sabían que estu¬diar por falta de información, posteriormente los modelos a los cuales hoy en día son considerados algoritmos por parte de la comunidad científica, tuvieron un impacto positivo por los diferentes desafíos para su aplicación en múltiples campos. Con el avance tecnológico surgen enfoques de apren¬dizaje profundo y estos se categorización según su arquitectura y necesi¬dad, estas tienden aprenden automáticamente de los datos procesados o no, y tienen poca intervención humana. Estos enfoques son; “Supervisados”; “No Supervisados”; “Semi – Supervisados”; “Por Refuerzo”. Algunas aplicaciones de estos enfoques los conocemos como; los servicios de traducción de idiomas de Google, el reconocimiento de voz de Alexa de Apple y los automóviles autónomos de Google, que se desarrollaron con algoritmos de aprendizaje profundo. En el campo de audiovisuales como la síntesis de voz, en medicina; es el descubrimiento de fármacos, como también la identificación y reconocimiento de enfermedades. Las múlti¬ples aplicaciones están conectadas al campo de ciencia de datos aplicando, desarrollando e implementando procesos automáticos para hacer frente a los diversos problemas de la humanidad. Para el desarrollo de un modelo es necesario considerar; hardware, software y conocimientos básicos para iniciar una transformación. Gracias a la difusión de una interfaz de progra¬mación de aplicaciones (API) y macros computacionales potentes y gratui¬tos como Keras y TensorFlow, incluyendo los servicios de procesamiento en la nube para ejecutar modelos, permite que cualquiera persona puede ejecutar modelos de aprendizaje profundo en cuestión de horas, teniendo conocimientos básicos. El libro ofrece una breve reseña de los algoritmos según el enfoque de aprendizaje profundo donde se presentan sus arquitecturas y aplicaciones, teniendo como propósito principal ser guía práctica para quienes deseen comprender qué es el aprendizaje profundo aplicándose como caso prác¬tico para la detección de enfermedades, donde se explicarán los conoci¬mientos básicos para entrenar modelos por medio del lenguaje de progra¬mación en Python con las librerías para su procesamiento por medio de Keras y Scikit-Learn; además, de emplear la plataforma de Google Colab para aprovechar el potencial de GPU’s durante el entrenamiento de los al¬goritmos de aprendizaje profundo.