Estructura de redes neuronales

Clase 3 de 22 • Curso de Redes Neuronales en Keras y Scikit-Learn 2019

johan Stever Rodriguez Molina

student•

Muchachos, mi aporté que espero pueda ser de gran ayuda a muchos, consiste en un colab que estaré cargando en los tutoriales del curso, donde ahondaré en los temas que se indiquen. Por ejemplo a este punto del curso, mostraré como se programa de "cero y a mano" el algoritmo del Perceptron, ya que aquí solo se usa desde la librería, y no aprendes realmente como se construye. Esto último en mi concepto será lo que te lleve de ser alguien que solo corre código a alguien que entiende y es realmente un experto en el tema. Espero les guste!!.

SANTIAGO GOMEZ ZAPATA

student•

A ver yo veo, a mi si me interesa

rusbel bermúdez rivera

student•

como lo vas a compartir?

Dennis Cesti

student•

Revisando el código, entiendo que el resultado que devuelve el método predict(), sólo indica si pertenece a Virginica(1) o a otra especie (0). Creo que hay un error en la interpretación de resultados.

Christian Sanclemente

student•

Porque solo tiene en cuenta el pétalo y faltaría el sépalo, supongo.

Emanuel Anchique Pautt

student•

Estoy de acuerdo contigo

Juan David Romero Guarin

student•

Las imagenes no se ven en Google Colab

Ramon Morales Gaytan

student•

Hasta hoy no lo han resuelto:(

María José Medina

student•

También se puede seleccionar los datos de la longitud y ancho del pétalo con Pandas, de esta forma creo que es más intuitivo el proceso.

# cargar iris dataset como pandas dataframe
df = pd.DataFrame(iris.data, columns=iris.feature_names)
# seleccionar los datos de interes
df_petal = df.drop(['sepal length (cm)', 'sepal width (cm)'], axis=1)
labels = iris.target
# graficar
plt.figure(figsize=(13,6))
plt.scatter(df_petal['petal length (cm)'], df_petal['petal width (cm)'], c=labels, cmap=plt.cm.Set1, edgecolor='face')
plt.xlabel('Longitud pétalo (cm)')
plt.ylabel('Ancho pétalo (cm)')
plt.show()

Rodrigo Urquizo Yepez

student•

Tomen el curso de Andrew Ng si aun les quedan dudas sobre algunos conceptos, es bastante bueno y didactico, lo mejor de todo es que es gratis. https://www.coursera.org/learn/machine-learning/home/welcome

Alejandro Martínez Valencia

student•

Ese es el mejor curso de ML que he tomado, no ha sido superado por ninguno. El Dr Andrew es un excelente profesor lo hace ver tan fácil, pero desde las bases.

JOSE DANIEL HERNANDEZ BETANCUR

student•

Ese curso es genial. Quien no lo ha tomado, vale la pena

Joaquin Blanco

student•

Un comentario, en el ejemplo que se muestra, cuando se entrena el perceptron, se utiliza el ancho y alto de los pétalos como atributos, y como target un arreglo de ceros y unos que indican si cada muestra es una Iris Virginica o no. Entonces, test_perceptron no clasifica nuevos casos entre 3 tipos de flores, sino que simplemente afirma o niega si es una Iris Virginica o no. Si me equivoco, me gustaría saberlo.

Laura Camila Pinzón Casallas

student•

Estas en lo correcto partiendo que un perceptron de una sola capa sirve para determinar de forma binaria y solo para que compruebes puedes imprimir (print(y)), antes de entrenar el perceptron y te daras cuenta que los 1 corresponden a cuando es Iris Virginica, y los 0 a cuando no es; De ser que estuviera prediciendo los tipos de Iris(clasificacion) los valores de 'y' posiblemente seria 0, 1 o 2, como los encuentras en la iris.target y al menos seria con un perceptron mulitcapa.

Nestor Amilcar Plasencia Prado

student•

Si, tambien me percate de ese error en la interpretación

Alberto Perdomo

student•

Falto un concepto en la explicación de los perceptrones. Estas arquitecturas están basadas en la regresión lineal:

Donde:

y' es la variable que se desea predecir o clasificar. w1...n son los pesos sinapticos x es la caracterisitca o atributo conocido

y el concepto que falto es b, conocido como el cesgo de la ecuación, en algunas literaturas se llama como w0. Matematicamente es la ordenada de la ecuación con el eje y. Influye en que no es lo mismo tener esto:

a esto:

Sergio Rubiano

student•

Entonces, ¿ un perceptron múltiple seria equivalente a una regresión múltiple ya que consiste en mas de una variable ?

Alberto Perdomo

student•

No, un perceptron no consiste de una sola variable. Puede tener una o multiples variables.

Yo lo entendí mejor con el apoyo de estos dos videos.

https://www.youtube.com/watch?v=MRIv2IwFTPg

https://developers.google.com/machine-learning/crash-course/descending-into-ml/video-lecture

En terminos más simples: el perceptron es la neurona; la cantidad de variables son las entradas a la neurona, que esta las procesa linealmente y genera su salida; Y multiples perceptrones conectados se convierten en una red neuronal cuando sus salidas se distorsionan por medio de una función de activación.

Laura Camila Pinzón Casallas

student•

Perceptron Multicapa(Utilizando las librerias y datos que ya existen de iris)

from sklearn.neural_network import MLPClassifier

MLP = MLPClassifier()
MLP.fit(iris.data, iris.target)
y1 = MLP.predict([[4.7, 3.5, 1.3, 0.2]]) # 0
y2 = MLP.predict([[6.7, 3.1, 4.4, 1.4]]) # 1
print(f'0 -&gt; Iris Setosa\n1 -&gt; Iris Versicolor\n2 -&gt; Iris Virginica\n\n')
print(f'1. La predicion es {y1}')
print(f'2. La predicion es {y2}')

JUAN ANDRES VILLADA

student•

Wow, super practico! me encanto. Muchísimas Gracias!

Mary Luz Guerrero

student•

El contenido del enlace de Redes Neurales no se encuentra disponible, lo cual no permite hacer el ejercicio.

Ricardo Celis

teacher•

Hola Mary, cuál enlace? yo sí veo los 2 funcionando

Ricardo Celis

teacher•

PAra poder editar el Colab (el enlace de redes neuronales) sólo tienes que darle click en enter playground

Omar Larasa

student•

Hola, aquí dejo un video que esta corto que explica cómo funciona la neurona como modelo simple, digamos. Esta bastante bueno

Video: https://youtu.be/MRIv2IwFTPg

JUAN ANDRES VILLADA

student•

Super!, Muchísimas Gracias!

Jorge Osuna

student•

Millones de datasets disponibles en linea pero siempre usan iris, me parece oneroso.

Diego Alejandro Lesmes

student•

jajaja la vieja confiable

Ariel Sharpe

student•

Iris es muy bueno para dar ejemplos, si bien existen muchos, iris es un referente popular. Con lo que aprendes usando iris podes usar el resto sin problemas.

María José Medina

student•

Una forma más bonita de ver los resultados de las predicciones y evaluar rápidamente el desempeño del modelo:

plt.figure(figsize=(13,6))
sns.scatterplot(x="petal length (cm)",
                y="petal width (cm)",
                data=df_petal,
                hue=labels_name)

plt.plot(5.1,2,'ro') 
plt.annotate('y1_pred', xy=(5.1,2), xytext=(4.5,2.2),
             arrowprops=dict(facecolor='black', shrink=0.05, width=0.5, headwidth=6),
            horizontalalignment='right', verticalalignment='top')

plt.plot(1.4,0.2,'ro') 
plt.annotate('y2_pred', xy=(1.4,0.2), xytext=(1.55,0.8), 
             arrowprops=dict(facecolor='black', shrink=0.05, width=0.5, headwidth=6),
            horizontalalignment='right', verticalalignment='top')
plt.show()

Lo cual da como resultado:

Recordando que en este caso el perceptrón es un clasificador binario, por lo que predice si la especie pertenece a iris virginica o no. En estos ejemplos el perceptrón clasifico correctamente.

rusbel bermúdez rivera

student•

Les comparto unas notas y los notebooks que use, espero les sean de utilidad, sigamos haciendo comunidad.

https://github.com/rb-one/Curso_RedesNeuronales_ScikitLearn/blob/master/Notes/notes.md

ELKIN REINEL RUIZ RINCON

student•

Gracias por tu aporte. Excelentes tus notas

David fernando Pinzon suarez

student•

Que excelente metodología compartir el notebook!!! Se gana mucho tiempo !!!

guersom

student•

7:26 ¿Qué hay en la variable "y"?

CRISTIAN BARBERO PÉREZ

student•

Como iris.target es el siguiente array:

[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2]

La variable y será un array de la misma longitud, y para cada posición tomará el valor 1 (True) si el valor de iris.target para esa posición es 2 y el valor de 0 (False) si iris.target es distinto de 2, es decir:

[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0  0 0 0 0 0 0 0 0 0 0  0 0 0 0 0 0 0 0 0 0  0 0 0 0 0 0 0 0 0 0  0 0 0 0 0 0 0 0 0 0  0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]

Miguel Angel Velazquez Romero

student•

Son los datos que debe validar el perceptrón, osea que la flor sea una iris virginica. En realidad es la variable objetivo a predecir.

Joel Eduardo Gaspar

student•

Tratando de hacer el ejercicio de tratar de predecir con otros features, al plotear me encuentro con que no parece haber un patrón lineal muy claro

(

En este caso aplica lo de Kernelizar para aumentar dimensiones?

Andrés Felipe Rubiano Moreno

student•

Se puede ver una explicación desde un enfoque más matemático en Que por cierto se debería tener cuidado de las referencias si usan material de otro autor.

Miguel Rodríguez

student•

Ya no esta :/

Luis Eduardo Chacón Wilches

student•

https://www.youtube.com/watch?v=aircAruvnKk

Juan Sebastian Torres

student•

Muchachos tengo una duda, en qué casos se usa una red neuronal con solo una neurona de salida como esta:

Y en qué casos se usa una red neuronal con más de una neurona en la capa de salida, como estas que por ejemplo tienen 2 y 3 neuronas de salida:

Carlos Daniel Pimentel Díaz

student•

La imagen de las tres clases de Iris la encuentran en éste enlace. O la pueden encontrar acá:

Mario Ruíz

student•

Magnifico!!!!

# cargar iris dataset como pandas dataframe
df = pd.DataFrame(iris.data, columns=iris.feature_names)
# seleccionar los datos de interes
df_petal = df.drop(['sepal length (cm)', 'sepal width (cm)'], axis=1)
labels = iris.target
# graficar
plt.figure(figsize=(13,6))
plt.scatter(df_petal['petal length (cm)'], df_petal['petal width (cm)'], c=labels, cmap=plt.cm.Set1, edgecolor='face')
plt.xlabel('Longitud pétalo (cm)')
plt.ylabel('Ancho pétalo (cm)')
plt.show()

from sklearn.neural_network import MLPClassifier

MLP = MLPClassifier()
MLP.fit(iris.data, iris.target)
y1 = MLP.predict([[4.7, 3.5, 1.3, 0.2]]) # 0
y2 = MLP.predict([[6.7, 3.1, 4.4, 1.4]]) # 1
print(f'0 -&gt; Iris Setosa\n1 -&gt; Iris Versicolor\n2 -&gt; Iris Virginica\n\n')
print(f'1. La predicion es {y1}')
print(f'2. La predicion es {y2}')

plt.figure(figsize=(13,6))
sns.scatterplot(x="petal length (cm)",
                y="petal width (cm)",
                data=df_petal,
                hue=labels_name)

plt.plot(5.1,2,'ro') 
plt.annotate('y1_pred', xy=(5.1,2), xytext=(4.5,2.2),
             arrowprops=dict(facecolor='black', shrink=0.05, width=0.5, headwidth=6),
            horizontalalignment='right', verticalalignment='top')

plt.plot(1.4,0.2,'ro') 
plt.annotate('y2_pred', xy=(1.4,0.2), xytext=(1.55,0.8), 
             arrowprops=dict(facecolor='black', shrink=0.05, width=0.5, headwidth=6),
            horizontalalignment='right', verticalalignment='top')
plt.show()

[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2]

[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0  0 0 0 0 0 0 0 0 0 0  0 0 0 0 0 0 0 0 0 0  0 0 0 0 0 0 0 0 0 0  0 0 0 0 0 0 0 0 0 0  0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]

Estructura de redes neuronales

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