Sergey Nivens - Fotolia

Gestionar Aprenda a aplicar las mejores prácticas y optimizar sus operaciones.

Aprendizaje profundo para la preparación de datos requiere procesamiento hábil

Las técnicas de aprendizaje profundo para la preparación de datos incluyen la exploración de conjuntos de datos y algoritmos. Esto requiere más que un poco de arte por parte de los ingenieros y científicos de datos.

Para nuevas clases de aplicaciones de aprendizaje profundo, la preparación de datos es algo así como un objetivo en movimiento. De hecho, el preprocesamiento sofisticado de datos es parte de la preparación en algunos casos.

Algunas técnicas de aprendizaje profundo para la preparación de datos son familiares, mientras que algunas son nuevas. Hay ruido –es decir, datos falsos o engañosos– en la mayor parte de cualquier conjunto de datos sin procesar, ya sea que sean parte de la inteligencia de negocios (BI) o de esfuerzos más avanzados de aprendizaje profundo.

En el aprendizaje profundo de hoy, hay exploración y experimentación en la parte delantera. Ese trabajo es llevado a cabo por ingenieros de datos, científicos de datos y otros. Lo que es nuevo aquí es que las aplicaciones de aprendizaje profundo pueden requerir un preprocesamiento significativo para clasificar la señal del ruido.

Al igual que con la BI tradicional, los datos de aprendizaje profundo pueden requerir la transformación de datos para asegurar algún tipo de vista unificada. De esta manera, los datos pueden compararse eficazmente. Pero las técnicas de aprendizaje profundo también incluyen preprocesamiento, que permite a los miembros del equipo explorar conjuntos de datos y algoritmos.

Como parte del proceso de preparación, los científicos de datos pueden optar por trabajar en subconjuntos de muestra de la cantidad total de datos. El muestreo y la eliminación de los valores atípicos de datos puede ser un tema de controversia cuando se trata de aprendizaje profundo, donde algunos practicantes creen que cuantos más datos, mejor.

Los miembros del equipo también pueden tener que decidir si su problema es susceptible de procesamiento independiente, en lugar de distribuido.

Una clave de la reciente Cumbre de Aprendizaje Profundo 2017 en Boston: A pesar de que han recogido una gran cantidad de atención durante algún tiempo, las técnicas para aplicaciones de aprendizaje profundo distribuido son todavía nuevas. Por lo tanto, los algoritmos que subyacen en el aprendizaje profundo distribuido pueden ser de naturaleza experimental. El aprendizaje profundo de una sola máquina puede ser una mejor opción, dependiendo de la cantidad de memoria y el procesamiento necesarios para el trabajo.

Este artículo se actualizó por última vez en julio 2017

Profundice más

Inicie la conversación

Envíenme notificaciones cuando otros miembros comenten sobre este artículo.

Enviando esta solicitud usted acepta recibir correos electrónicos de TechTarget y sus socios. Si usted reside afuera de Estados Unidos, esta dando autorización para que transfiramos y procesemos su información personal en Estados Unidos.Privacidad

Por favor cree un Nombre de usuario para poder comentar.

- ANUNCIOS POR GOOGLE

Close