Autoencoders

Los Autoencoders son redes neuronales diseñadas para aprender representaciones comprimidas de los datos. Se utilizan para reducción de dimensionalidad, detección de anomalías, compresión y generación.

1. Qué es un Autoencoder

Un Autoencoder es una red neuronal que intenta reconstruir su propia entrada. Para lograrlo, debe aprender una representación comprimida y eficiente.

• Entrada → Encoder → Latent Space → Decoder → Salida
• La salida intenta ser igual a la entrada
• El modelo aprende a comprimir información

2. Encoder

El encoder reduce la dimensionalidad de los datos.

encoded = layers.Dense(32, activation='relu')(inputs)
    

3. Latent Space

El espacio latente es la representación comprimida de los datos.

latent = layers.Dense(16, activation='relu')(encoded)
    

4. Decoder

El decoder intenta reconstruir la entrada original a partir del espacio latente.

decoded = layers.Dense(32, activation='relu')(latent)
output = layers.Dense(784, activation='sigmoid')(decoded)
    

5. Autoencoder clásico

import tensorflow as tf
from tensorflow.keras import layers

inputs = layers.Input(shape=(784,))
encoded = layers.Dense(64, activation='relu')(inputs)
latent = layers.Dense(32, activation='relu')(encoded)
decoded = layers.Dense(64, activation='relu')(latent)
outputs = layers.Dense(784, activation='sigmoid')(decoded)

autoencoder = tf.keras.Model(inputs, outputs)
autoencoder.compile(optimizer='adam', loss='mse')
    

6. Variational Autoencoder (VAE)

Los VAE generan datos nuevos mediante distribuciones probabilísticas.

• Latent space probabilístico
• Generación de imágenes
• Base de modelos generativos modernos

7. Ejemplo con Keras

autoencoder.fit(X_train, X_train, epochs=20, batch_size=32)
autoencoder.evaluate(X_test, X_test)
    

8. Ejercicios

# pista latente
"Representación comprimida."

# pista VAE
"Usa distribuciones para generar datos."

Siguiente guía