Fundamentos pr谩cticos

1

Aplica Platzidoro en este curso y asegura el 茅xito de tu aprendizaje

2

Los fundamentos de machine learning que aprender谩s

3

Introducci贸n a Numpy

4

Introducci贸n y manipulaci贸n de datos con Pandas

5

Introducci贸n a ScikitLearn

6

Comandos b谩sicos de las librer铆as usadas en el curso (Numpy, Pandas y ScikitLearn)

Regresi贸n Lineal y Log铆stica

7

驴Qu茅 es la predicci贸n de datos?

8

Sobreajuste y subajuste en los datos

9

Regresi贸n lineal simple y regresi贸n lineal m煤ltiple

10

Regresi贸n lineal simple con Scikit-Learn: divisi贸n de los datos

11

Regresi贸n lineal simple con Scikit-Learn: creaci贸n del modelo

12

Regresi贸n log铆stica con Scikit-Learn: definici贸n y divisi贸n de datos

13

Regresi贸n log铆stica con Scikit-Learn: evaluaci贸n del modelo

14

Matriz de confusi贸n

15

PlatziDoro C谩psula 1

脕rboles de decisi贸n

16

驴Qu茅 es un 谩rbol de decisi贸n y c贸mo se divide?

17

Comprendiendo nuestro data set para la creaci贸n de un 谩rbol de decisi贸n

18

Creando un clasificador con Scikit-Learn

19

Entrenamiento del modelo de clasificaci贸n

20

Visualizaci贸n del 谩rbol de decisi贸n

K-Means

21

驴Qu茅 es K-Means?

22

Cargando el data set de Iris

23

Construcci贸n y evaluaci贸n del modelo con K-Means

24

Graficaci贸n del modelo

25

PlatziDoro C谩psula 2

Aprendizaje profundo

26

Introducci贸n al aprendizaje profundo

27

Conceptos b谩sicos de Tensor Flow

28

Red neuronal convolucional

29

Conociendo el set de datos para la creaci贸n de la red neuronal

30

Crea y entrena tu primera red neuronal convolucional con Tensor Flow

31

Evaluaci贸n de la red convolucional

32

PlatziDoro C谩psula 3

Despedida

33

Recomendaciones para analizar correctamente tu problema

34

Siguientes pasos para continuar aprendendiendo de Machine Learning

Conceptos b谩sicos de Tensor Flow

27/34

Lectura

Tensor Flow es una biblioteca de software de c贸digo abierto que permite construir y entrenar redes neuronales, permite detectar y descifrar patrones en los datos. Es un desarrollo de Google y que debido a su flexibilidad y extensa comunidad de programadores ha crecido r谩pidamente y se ha posicionado como la herramienta l铆der en el estudio del aprendizaje profundo o tambi茅n conocido como Deep Learning.

Tensor Flow puede ser usado para ayudar al diagn贸stico m茅dico, detectar objetos, procesar im谩genes, detecci贸n de emociones en el rostro, entre otras aplicaciones. En este curso usamos Tensor Flow para crear nuestra primera red neuronal y dise帽ar un clasificador de im谩genes a partir de un conjunto de datos.

Importar la biblioteca:
import tensorflow as tf

Importar el modelo:
from tensorflow import keras

Cargar conjunto de datos de Tensor Flow:
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

Crear modelo secuencial:
model = keras.Sequential([keras.layers.Flatten(input_shape = (28, 28)), keras.layers.Dense(128, activation = tf.nn.relu), keras.layers.Dense(10, activation = tf.nn.softmax)])

Compilaci贸n del modelo:
model.compile(optimizer = tf.optimizers.Adam(), loss = 鈥榮parse_categorical_crossentropy鈥, metrics = [鈥榓ccuracy鈥橾)

Entrenamiento:
model.fit(train_images, train_labels, epochs = 5)

Evaluaci贸n del modelo:
test_loss, test_acc = model.evaluate( test_images, test_labels )

Predicci贸n del modelo:
model.predict(test_images)

Aportes 13

Preguntas 0

Ordenar por:

Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Reg铆strate o inicia sesi贸n para participar.

Si les sale el error "module 鈥榯ensorflow._api.v2.train鈥 has no attribute 鈥楢damOptimizer鈥 " es porque el comando cambi贸 y ahora es:

model.compile(optimizer = tf.optimizers.Adam(), 
              loss = 'sparse_categorical_crossentropy', 
              metrics = ['accuracy'])

Referencia:

https://stackoverflow.com/questions/55318273/tensorflow-api-v2-train-has-no-attribute-adamoptimizer

Hay algunos errores (por culpa de las comillas) pero esto puede ayudar a los que estan viendo esto

model.compile(optimizer = "adam", loss = "sparse_categorical_crossentropy",metrics = ["accuracy"])



Es un muy buen ejercicio para los que reci茅n comenzamos.

Cuando se ejecuta model.fit(train_images, train_labels, epochs = 5) al costado de la ejecuci贸n muestra como aumenta la posici贸n del modelo 馃槂

me encanta que compartan asi los comandos para saber como usar y poder consultar cuando se quiere hacer algun otro proyecto

A mi me funciono asi, por si tienen problemas con el optimizer=

model.compile( optimizer= tf.optimizers.Adam(), loss = 'sparse_categorical_crossentropy', metrics = ['accuracy'])```

Sin imagenes la vida es muy triste 馃槂

  • Para graficar:

def img_subplot (tf_predict, test_images, text_labels, nrows, ncols):

  fig, ax = plt.subplots(nrows=nrows, ncols=ncols, figsize=(15,15))
  tam = np.min([len(text_labels), nrows*ncols])
  
  i=0
  while (i<tam):
    for k in range(nrows):
      for j in range(ncols):
        ax[k,j].imshow(test_images[i], cmap='gray')
        p_label = np.where(tf_predict[i]==np.max(tf_predict[i]))[0][0]
        ax[k,j].set_title(text_labels[p_label])
        ax[k,j].grid()
        
        i=i+1

  plt.show()   

  • Ejecutar:

img_subplot(tf_predict, test_images,text_labels, 3,3)

  • Resultados:

Excelente ejercicio. Validamos el entrenamiento y evaluaci贸n a trav茅s de Deep Learning con Keras y Tensorflow

Estuve esperando TF desde el comienzo de la ruta de aprendizaje

Alguien puede explicarme en que consiste la capa Flatten?
Por lo que he le铆do es para aplanar la matiz que contiene los datos de la imagen, pero por qu茅 el input_shape es (28,28)?
No entiendo muy bien qu茅 es lo que hace y sobretodo no entiendo el argumento input_shape
Gracias

Recuerden que el optimizador Adam (en la compilaci贸n del modelo) se escribe de la siguiente forma ahora:

model.compile(optimizer = tf.keras.optimizers.Adam(),
              loss = 'sparse_categorical_crossentropy',
              metrics = ['accuracy'])

Vamos pues!

Gracias!