Deep Learning para imágenes

¿Para qué tipo de datos **no** tiene sentido usar convoluciones?

• Imágenes

• Vídeos

• Series temporales

• Dataframes

Al trabajar con imágenes, ¿qué es lo que aprenden a hacer las convoluciones?

• Detectar patrones locales específicos

• Calcular estadísticos globales de los colores

• Combinaciones útiles de todos los colores de un mismo píxel

• Combinaciones útiles de todos los píxeles de un mismo canal de color

¿Por qué es útil el Max Pooling?

• Calcula un buen resumen de los valores de los píxeles, usando medias

• Acelera el entrenamiento, porque esta capa no tiene parámetros que ajustar

• Pone foco en los rasgos más significativos detectados por la convolución

• Solo ayuda a reducir el tamaño de la imagen

Procesando una imagen 256x256 a color, ¿qué configuración de la convolución sería más útil?

• 10 kernels de tamaño 256x256x1

• 7 kernels de tamaño 7x7x3

• 5 kernels de tamaño 7x7x1

• 3 kernels de tamaño 256x256x3

¿Cuál es el orden **recomendado** de capas en una red convolucional?

• Convolution - Pooling - Flatten - Dense

• Convolution - Flatten - Pooling - Dense

• Dense - Convolution - Pooling - Flatten

• Pooling - Convolution - Flatten - Dense