Creando nuestra primer red neuronal

Clase 4 de 22 • Curso de Redes Neuronales en Keras y Scikit-Learn 2019

Thomas Antonio Contreras Lan

student•

Para quienes tengan problemas con la version reinicien dandole a "Runtine > Restart runtime" y posteriormente definir la misma con respecto a tensorflow poniendo lo siguiente antes de importar el dataset:

%tensorflow_version 1.x
from keras.datasets import boston_housing

Juan David Romero Guarin

student•

Excelente aporte!

También tuve un error cuando intente usar el comando:

model = Sequential()

Muchas gracias!

María José Medina

student•

Capa 'Dense': capa en la que todas sus neuronas están conectadas a las neuronas de la siguiente capa.
Arquitectura de la red:
- 13 neuronas de entrada (igual al número de variables que se tiene en el dataset).
- 2 capas ocultas para extraer complejidades de los datos.
- Una única variable de salida (el precio).
- Cada capa anterior se tomaran como capas densas.

William Caleb Saenz Camacho

student•

al 2020 el código va así:

import tensorflow as tf
from tensorflow.keras.datasets import boston_housing

(x_train, y_train), (x_test, y_test) = boston_housing.load_data(
    path="boston_housing.npz", test_split=0.2, seed=113
)```

Eduardo Carrillo Botero

student•

Buen día, cómo se pueden ver los notebook del curso en Google Colab

Ronaldo Carbajal Tapahuasco

student•

Buen día :D Puedes encontrarlo en la sección de Archivos y enlaces del video, alli tendrás el acceso a los recursos que el profesor haya utilizado.

Jorge Osuna

student•

Para los que lo hacen en su notebook no olviden ejecutar

!pip install keras

No viene instalado.

Diego Alejandro Lesmes

student•

Elemental! :thumbsup:

Rodrigo Urquizo Yepez

student•

En activation tambien pueden poner : import tensorflow as tf activation = tf.nn.relu

Anthony Pernia

student•

Si estan usando VScode y corriendo en local, esto les va a servir si el plot_model no les funciona:

pip install pydot
pip install pydotplus
sudo apt-get install graphviz```

Rodrigo Urquizo Yepez

student•

En la primera capa se preguntaran porque 182 y no 169, ya que: 13(inputs) *13(input_dim) = 169 parametros, no nos olvidemos que en la primera capa debemos tener 14 inputs(14 neuronas), el 14vo input que agregamos siempre vale 1, el cual al multiplicarlo por el peso nos da el "bias", entonces seria asi: z = WX, en forma matricial, en forma algebraica: z = W0X0 + W1X1 + W2X2+...WnXn,donde:X0=1 y W0 = b esto equivaldria a: z = b + W1X1+.....,WnXn-->z = b + wx Al tener 14 inputs y una dimension de 13 por cada uno, seria 14 * 13 = 182

Diego Alejandro Lesmes

student•

@Rodrigo no entiendo un punto, como el profe lo indica aca utiliza solo 13 neuronas... no 14 como tu lo indicas... entiendo que son 13 inputs mas la variable objetivo para un total de 14, me podrías aclarar es punto :green_heart:

JUAN ANDRES VILLADA

student•

Para quienes tengan problemas para importar de Keras el plot_model, cambien esa linea de código con esta y les debe funcionar, así lo solucione yo 😄. . . . from keras.utils.vis_utils import plot_model plot_model(model, to_file=‘model.png’,show_shapes=True)

Jaime Arturo Blanco Gutiérrez

student•

Creo que se deberian usar datasets externos en otros formatos(CSV, excel, json) para ejemplificar los procesos de una manera mas realista. Asi se podria hacer una exploración de las variables, no simplemente seguir una "receta" como con estos datasets tan prefabricados. La mitad del trabajo es la exploracion de los datos! Crear una red neuronal en keras se hace con una linea de codigo! La idea es aprender a utilizar las herramientas de forma mas profesional!

Carlos Daniel Pimentel Díaz

student•

Por lo visto, éste curso no se enfoca en ése tema de analizar datos (cosa que me parece excelente). Si deseas un curso sobre ML en el que analicen y limpien DataSets te recomiendo el Curso de Machine Learning Aplicado con Python. Buen día.

Esteban Reino Chérrez

student•

Correcto, en la industria real, se tiene primero que realizar una revisión de base de datos, limpieza de datos, pasar a archivos planos etc...

johan Stever Rodriguez Molina

student•

para los que tengan problemas al tratar inical el modelo al cargar el Dense y Sequential. Simplemente pongan el siguiente código

from tensorflow.python.keras.layers import Dense
from tensorflow.python.keras import Sequential

# generando el modelo 
modelo = Sequential()

Arturo Baduna

student•

yo le bore el tf y funciono

keras.datasets.boston_housing.load_data(
    path="boston_housing.npz", test_split=0.2, seed=113
)```

Iván Antonio Bustos Calderón

student•

Hola, ¿Existe algún curso donde se explique el uso de relu, de qué es un inicializador y cómo funcionan en conjunto estos dos?

Saludos!

Ariel Sharpe

student•

Hola Iván, todo eso lo puedes encontrar en la pagina de Keras, de todas formas estoy seguro que en cursos previo de la carrera estos temas ya se trataron.

te dejo links de las explicaciones: funciones de activacion Layer weight initializers Keras datasets

Iván Antonio Bustos Calderón

student•

Muchas gracias Tarix!

import tensorflow as tf
from tensorflow.keras.datasets import boston_housing

(x_train, y_train), (x_test, y_test) = boston_housing.load_data(
    path="boston_housing.npz", test_split=0.2, seed=113
)```

Creando nuestra primer red neuronal

Apropiar conceptos fundamentales de las redes neuronales

¿Qué es una red neuronal?

Identificar los principales Frameworks usados en la industria para el desarrollo de Deep Learning

Frameworks de Deep Learning

Comprender los modelos de representación de las redes neuronales artificiales usados en Deep Learning

Estructura de redes neuronales

Creando nuestra primer red neuronal

Entrenando nuestra primera red neuronal

Visualizando el proceso de entrenamiento

Funciones de activación

Funciones de costo o pérdidas

Inicialización y Entrenamiento de RN

Optimizadores en redes neuronales

Clasificación Binaria

Clasificación de potenciales clientes

Análisis de resultados

Métricas de desempeño: regresión y clasificación

Evaluando métricas de desempeño

Ajuste de redes neuronales: overfitting y regularización

Regularización

Ajuste de redes neuronales: Hiper parámetros

Crear un modelo de regresión a partir de un caso de uso real

Introducción a las regresiones con Deep Learning: Planteamiento del problema

Solución del problema de regresión

Ajustes finales al proyecto

Cierre del curso

Cierre del curso