La mayoría de los modelos de aprendizaje automático y aprendizaje profundo dependen en gran medida de la cantidad y variedad de datos para funcionar bien. El volumen y la diversidad de datos proporcionados durante el entrenamiento tienen un impacto significativo en la precisión de predicción de estos modelos.
Los modelos de aprendizaje profundo a los que se les ha enseñado a desempeñarse de manera efectiva en tareas complicadas con frecuencia incluyen neuronas ocultas. El número de parámetros entrenables aumenta según el número de neuronas ocultas.
La cantidad de datos necesarios es proporcional al número de parámetros de aprendizaje del modelo. Un método para lidiar con la dificultad de los datos limitados es aplicar una variedad de transformaciones a los datos actuales para sintetizar nuevos datos.
La técnica de sintetizar datos nuevos a partir de datos existentes se conoce como 'Aumento de datos'. El aumento de datos se puede utilizar para cumplir con ambos requisitos: el volumen de datos y la variedad de datos de entrenamiento necesarios para desarrollar datos precisos. modelos de aprendizaje automático o aprendizaje profundo.
En esta publicación, veremos de cerca el aumento de datos, sus tipos, por qué es esencial y mucho más.
Entonces, ¿qué es el aumento de datos?
El aumento de datos es el proceso de desarrollar datos nuevos y representativos a partir de datos existentes. Puede lograr esto incluyendo versiones modificadas de datos existentes o sintetizando nuevos datos.
Los conjuntos de datos producidos por este método mejorarán su aprendizaje automático o modelos de aprendizaje profundo minimizando el riesgo de sobreajuste. Es el proceso de cambiar o “aumentar” un conjunto de datos con información adicional.
Esta entrada complementaria puede variar desde imágenes hasta texto, y aumenta el rendimiento de los sistemas de aprendizaje automático.
Supongamos que queremos construir un modelo para categorizar las razas de perros y tenemos una gran cantidad de fotografías de todas las variedades excepto pugs. Como resultado, el modelo tendría dificultades para categorizar pugs.
Podríamos agregar fotos de pug adicionales (reales o falsas) a la colección, o podríamos duplicar nuestras fotografías de pug actuales (por ejemplo, al replicarlas y distorsionarlas para hacerlas únicas artificialmente).
¿Para qué sirve el aumento de datos en el presente?
Las solicitudes de máquina de aprendizaje se están desarrollando y diversificando rápidamente, especialmente en el campo del aprendizaje profundo. Los desafíos a los que se enfrenta la industria de la inteligencia artificial se pueden superar mediante técnicas de aumento de datos.
El aumento de datos puede mejorar el rendimiento y los resultados de los modelos de aprendizaje automático al agregar ejemplos nuevos y diversos a los conjuntos de datos de entrenamiento.
Cuando el conjunto de datos es grande y suficiente, un modelo de aprendizaje automático funciona mejor y es más preciso. Para los modelos de aprendizaje automático, la recopilación y el etiquetado de datos pueden llevar mucho tiempo y ser costosos.
Las empresas pueden reducir sus costos operativos cambiando los conjuntos de datos y utilizando estrategias de aumento de datos.
La limpieza de datos es una de las etapas en el desarrollo de un modelo de datos y es esencial para modelos de alta precisión. Sin embargo, el modelo no podrá anticipar las entradas adecuadas del mundo real si la limpieza de datos disminuye la representabilidad.
Los modelos de aprendizaje automático se pueden fortalecer empleando enfoques de aumento de datos, que producen variaciones que el modelo podría encontrar en el mundo real.
Tipos de aumento de datos
Aumento de datos reales
El aumento de datos reales ocurre cuando agrega datos genuinos y complementarios a un conjunto de datos. Esto puede variar desde archivos de texto con atributos adicionales (para imágenes etiquetadas) hasta imágenes de otros objetos comparables al objeto original, o incluso grabaciones del objeto real.
Por ejemplo, al agregar algunas funciones más a un archivo de imagen, un modelo de aprendizaje automático puede detectar el elemento más fácilmente.
Se podrían incluir más metadatos sobre cada imagen (p. ej., su nombre y descripción) para que nuestro modelo de IA sepa más sobre lo que representa cada imagen antes de comenzar a entrenar en esas fotos.
Cuando llega el momento de categorizar fotos nuevas en una de nuestras categorías predeterminadas, como "gato" o "perro", el modelo podría detectar mejor los elementos que están presentes en una imagen y, como resultado, funcionar mejor en general.
Datos sintéticos aumentar
Además de añadir más datos reales, también puedes contribuir datos sintéticos o datos artificiales que parecen auténticos.
Esto es beneficioso para tareas difíciles como la transferencia de estilo neuronal, pero también es bueno para cualquier diseño, ya sea que esté usando GAN (redes adversas generativas), CNN (redes neuronales convolucionales) u otras arquitecturas de redes neuronales profundas.
Por ejemplo, si queremos categorizar adecuadamente a los carlinos sin tener que salir y tomar varias fotos, podríamos agregar algunas fotografías falsas de carlinos a una colección de imágenes de perros.
Esta forma de aumento de datos es especialmente eficaz para mejorar la precisión del modelo cuando la recopilación de datos es difícil, costosa o lleva mucho tiempo. En esta situación, estamos expandiendo artificialmente el conjunto de datos.
Suponga que nuestro grupo inicial de 1000 fotografías de razas de perros contiene solo 5 imágenes de carlinos. En lugar de agregar fotografías de pug reales adicionales de perros reales, creemos una falsa clonando una de las actuales y distorsionándola ligeramente para que todavía parezca un pug.
Técnicas de aumento de datos
Los enfoques de aumento de datos implican hacer pequeñas modificaciones a los datos existentes. Es lo mismo que reformular una afirmación. Podemos dividir el aumento de datos en tres categorías:
Texto
- Reemplazo de palabras: este enfoque de aumento de datos incluye reemplazar los términos actuales con sinónimos. Por ejemplo, "Esta película es una tontería" puede convertirse en "Esta película es una idiotez".
- Reordenación de frases/palabras: esta estrategia consiste en cambiar la secuencia de frases o palabras manteniendo la coherencia general.
- Manipulación del árbol de sintaxis: cambia una oración existente para que sea gramaticalmente precisa mientras utiliza los mismos términos.
- Eliminación aleatoria: aunque esta estrategia produce una escritura fea, es efectiva. Como resultado, la línea "No compraré este disco porque está rayado" se convierte en "No compraré esto porque está rayado". La frase es menos clara, pero sigue siendo una adición plausible.
- Traducción inversa: este enfoque es efectivo y agradable. Tome una declaración escrita en su idioma, tradúzcala a otro idioma y luego vuelva a traducirla a su idioma original.
Imágenes
- Filtros Kernel: este enfoque agudiza o desenfoca una imagen.
- Combinación de imágenes: aunque parezca raro, puedes mezclar fotos.
- Borrar al azar: elimina una pequeña porción de la imagen actual.
- Transformaciones geométricas: este enfoque comprende, entre otras cosas, voltear, rotar, recortar o traducir imágenes arbitrariamente.
- Voltear una imagen: puede voltear una imagen de la orientación horizontal a la vertical.
- Transformación del espacio de color: puede modificar los canales de color RGB o mejorar cualquier color actual.
- Re-Scaling es el proceso de ajustar la escala visual. Tiene la opción de escalar hacia adentro o hacia afuera. Cuando escala hacia adentro, la imagen se vuelve más pequeña que el tamaño inicial. La imagen será más grande que la original si la escala hacia afuera.
Audio
- Tono: este enfoque implica cambiar el tono de audio.
- Cambiar velocidad: cambie la velocidad del archivo de audio o de la grabación.
- Más ruido: puede agregar más ruido al archivo de audio.
Caso de uso
Las imágenes médicas son un caso de uso destacado para el aumento de datos en este momento. Las colecciones de imágenes médicas son pequeñas y el intercambio de datos es difícil debido a las normas y preocupaciones por la privacidad.
Además, los conjuntos de datos son mucho más limitados en el caso de trastornos poco frecuentes. Las empresas de imágenes médicas utilizan el aumento de datos para diversificar sus conjuntos de datos.
Desafios
La escalabilidad, los diversos conjuntos de datos y la relevancia son algunos de los problemas que deben resolverse para desarrollar técnicas eficientes de aumento de datos.
En términos de escalabilidad, los datos aumentados deben ser escalables para que muchos modelos diferentes puedan usarlos. Querrá asegurarse de que esto se pueda duplicar para su uso en modelos futuros, ya que configurar un sistema de aumento de datos que genere una gran cantidad de datos pertinentes, valiosos y mejorados puede llevar algún tiempo.
En términos de heterogeneidad, varios conjuntos de datos tienen características distintas que deben tenerse en cuenta al desarrollar datos aumentados. Para desarrollar datos mejorados apropiados, se deben utilizar las propiedades de cada conjunto de datos.
En otras palabras, el aumento de datos diferirá entre conjuntos de datos y casos de uso.
Finalmente, para garantizar que las ventajas de los datos aumentados superen cualquier peligro, los datos aumentados deben evaluarse utilizando métricas adecuadas antes de que los modelos de aprendizaje automático los utilicen.
Por ejemplo, la presencia de ruido de fondo significativo o elementos no relacionados en datos aumentados basados en imágenes podría tener un impacto negativo en el rendimiento del modelo.
Conclusión
En última instancia, ya sea que intente pronosticar pérdidas, identificar fraudes financieros o construir mejores clasificación de imágenes modelos, el aumento de datos es una forma crítica de construir modelos más precisos y robustos.
A través de un procedimiento de capacitación superior, el preprocesamiento simple y el aumento de datos pueden incluso ayudar a los equipos a desarrollar modelos de vanguardia.
Las empresas pueden utilizar el aumento de datos para reducir la cantidad de tiempo dedicado a preparar datos de capacitación y crear modelos de aprendizaje automático que sean más precisos y rápidos..
Al expandir la cantidad de datos pertinentes en el conjunto de datos, el aumento de datos también puede beneficiar a los modelos de aprendizaje automático que ya tienen una gran cantidad de datos.
Deje un comentario