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

No tienes acceso a esta clase

隆Contin煤a aprendiendo! 脷nete y comienza a potenciar tu carrera

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

29/34
Recursos

驴Por qu茅 se divide entre 255?

Esto se realiza para normalizar los valores de los pixeles y trabajar con datos entre 0 y 1. Un pixel con valor 0 es color negro, y uno con valor 255 es blanco.

Aportes 12

Preguntas 7

Ordenar por:

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

https://www.tensorflow.org/tutorials/keras/classification

Aqu铆 encuentran mas desglosada la explicaci贸n de esta clase

Se deberia utilizar data sets diferentes, data sets que nosotros podamos recopilar o que ustedes no sproporcionen, el data set q proponen esta en muchos tutoriales GRATIS, denle mas valor al curso

Deber铆an de dar una explicaci贸n mas detallada. El c贸digo se puede seguir pero la profesora no explica lo que esta haciendo, aveces solo dice cosas como: 鈥榙ividimos entre 255 porque esa es la divisi贸n que tenemos鈥.

la division del train y test entre 255 se hace para 鈥渘ormalizar鈥 los pixels, de manera que esten en el rango 0 a 255.

Es decepcionante que la profesora este copiando y pegando c贸digo, deja mucho que desear. Adem谩s que las explicaciones no son nada buenas, no se profundiza en los temas.

La profesora divide los datos de las imagenes entre 255 para normalizarlos, donde 255 es el valor mas alto que pueden alcanzar cada uno de estos. Asi aseguramos que todos los datos solo tengan valores entre 0 y 1. Se hace tanto para las imagenes de prueba como de entrenamiento para que exista congruencia entre el dataset y se puedan procesar de la misma manera.

<**#TensorFlow y tf.keras**
import tensorflow as tf
from tensorflow import keras

**# Librerias de ayuda**
import numpy as np
import matplotlib.pyplot as plt

fashion_mnist = keras.datasets.fashion_mnist

(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

train_images = train_images / 255.0

test_images = test_images / 255.0

%matplotlib inline
plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(class_names[train_labels[i]])
plt.show()>

No entiendo como puedo yo colocar mis imagenes para que aprenda a clasificar autos, me ayudan?


Pueden encontrar el repo en GitHub ac谩: https://github.com/zalandoresearch/fashion-mnist

Se divide entre 255.0 para normalizar los valores de los p铆xeles y trabajar con datos entre 0 y 1. Un pixel con valor 0 es color negro, y uno con valor 255 es blanco. Los valores intermedios est谩n en la escala de grises. En el caso de una imagen a colores, se tienen 3 capas RGB, con valores de 0 a 255 tambi茅n.

Excelente