Les xarxes neuronals artificials (ANNs) i el deep learning són tècniques fonamentals en l'aprenentatge automàtic. Aquestes tècniques s'inspiren en la manera en què el cervell humà processa la informació i són capaces d'aprendre i generalitzar a partir de grans quantitats de dades.

• Comprendre els conceptes bàsics de les xarxes neuronals.
• Aprendre sobre les arquitectures de xarxes neuronals profundes.
• Implementar una xarxa neuronal simple utilitzant una biblioteca de deep learning.
• Conèixer les aplicacions pràctiques del deep learning.

Una neurona artificial és la unitat bàsica d'una xarxa neuronal. Es compon de:

• Entrades (x1, x2, ..., xn): Valors d'entrada.
• Peses (w1, w2, ..., wn): Coeficients que ponderen les entrades.
• Funció d'Activació (f): Funció que transforma la suma ponderada de les entrades.
• Sortida (y): Resultat de la funció d'activació.

Fórmula de la Neurona

\[ y = f\left(\sum_{i=1}^{n} w_i x_i + b\right) \] On \( b \) és el biaix (bias).

Les funcions d'activació introdueixen no linealitat en el model. Algunes de les més comunes són:

• Sigmoide: \( f(x) = \frac{1}{1 + e^{-x}} \)
• ReLU (Rectified Linear Unit): \( f(x) = \max(0, x) \)
• Tanh: \( f(x) = \tanh(x) \)

Les xarxes neuronals es poden classificar segons la seva arquitectura:

• Perceptró Multicapa (MLP): Xarxa amb capes d'entrada, ocultes i de sortida.
• Xarxes Convolucionals (CNN): Utilitzades principalment per a processament d'imatges.
• Xarxes Recurrentes (RNN): Adequades per a dades seqüencials com text o sèries temporals.

El deep learning fa referència a xarxes neuronals amb múltiples capes ocultes, permetent la modelització de relacions complexes en les dades.

• CNN (Convolutional Neural Networks): Per a tasques de visió per computador.
• RNN (Recurrent Neural Networks): Per a tasques de processament de seqüències.
• GAN (Generative Adversarial Networks): Per a generació de dades sintètiques.

Llibreria: TensorFlow/Keras

1. Importació de Llibreries: Importem TensorFlow i Keras.
2. Definició del Model: Utilitzem Sequential per crear una xarxa amb capes seqüencials.
3. Capas:
   • Dense(64, activation='relu', input_shape=(input_dim,)): Capa densa amb 64 neurones i funció d'activació ReLU.
   • Dense(1, activation='sigmoid'): Capa de sortida amb una neurona i funció d'activació sigmoide.
4. Compilació: Especificar l'optimitzador, la funció de pèrdua i les mètriques.
5. Entrenament: Entrenem el model amb les dades d'entrenament.

• Visió per Computador: Reconeixement d'imatges, detecció d'objectes.
• Processament del Llenguatge Natural (NLP): Traducció automàtica, anàlisi de sentiments.
• Vehicles Autònoms: Navegació i detecció d'obstacles.
• Salut: Diagnòstic d'imatges mèdiques, predicció de malalties.

Utilitza el conjunt de dades MNIST per entrenar una xarxa neuronal que classifiqui dígits manuscrits.

Pasos:

1. Carrega el conjunt de dades MNIST.
2. Preprocessa les dades (normalització).
3. Defineix i entrena una xarxa neuronal.
4. Avalua el model.

Utilitza el conjunt de dades CIFAR-10 per entrenar una xarxa convolucional que classifiqui imatges en 10 categories.

Pasos:

1. Carrega el conjunt de dades CIFAR-10.
2. Preprocessa les dades (normalització i augmentació).
3. Defineix i entrena una CNN.
4. Avalua el model.

En aquest tema, hem explorat els conceptes bàsics de les xarxes neuronals i el deep learning. Hem après sobre les arquitectures de xarxes neuronals profundes i hem implementat una xarxa neuronal simple utilitzant TensorFlow/Keras. Finalment, hem vist algunes aplicacions pràctiques del deep learning i hem proposat exercicis pràctics per reforçar els conceptes apresos.

En el següent tema, explorarem els Algoritmes de Clustering, una tècnica d'aprenentatge no supervisat per agrupar dades similars.