@@codificandobits codificandobits seria genial que al momento de presentar el código sea haciendolo paso por paso mientras va explicando. Le recomiendo los canales: Tech with Tim y Machine Learning with Phil. Saludos nuevamente desde Chile!
Hola Miguel, un gusto dirigirme a alguien que se ha esforzado tanto en hacer explicaciones tan claras de temas complejos. Pregunta: ¿Qué libros tenías en la mesita al principio del vídeo?
ja, ja... qué buena pregunta David! Eran unos libros de diseño y arquitectura... pero si te fijas bien el que está en rojo en la parte de abajo (de color rojo) es el de "Hands-on Machine Learning...", muy bueno y muy recomendado. Un saludo!
Están muy detallados y bien explicados tus vídeos. Te felicito por tu gran trabajo. Te tengo una pregunta. Cómo testearias con predict en una red neuronal LSTM una nueva secuencia de datos fuera de la que ya entrenaste, para series temporales.?
Hola Miguel buenas tardes, muchas gracias por tu nuevo vídeo. Tengo una duda, se puede trabajar los codigos del video directamente en el google colaboratory ?
Claro que sí. Aunque el código está en Github es muy sencillo ejecutarlos en Google Colab. En el siguiente video de la serie hablaré más en detalle de esta herramienta. Un saludo!
Hola Keveen. Se hacen de la forma convencional, no hay ninguna diferencia con respecto al código Python tradicional. Ejemplo: import numpy as np ó from google.colab import files Un saludo!
Excelente. me quedo la duda, para el caso de red neuronal; cómo se especifican los datos ? como se deben crear o en que formato se debe almacenar, por ejemplo para una matriz o vector de datos (números no imágenes) en que formatos se crean como entran a los "x" de la red ?
Hola Juan. Qué buena pregunta. Los datos originales pueden estar almacenados virtualmente en cualquier formato: vectores, matrices 2D, matrices 3D, texto, etc. Sin embargo la forma como se presentan estos datos depende de la arquitectura: para redes neuronales siempre deben ser vectores, para redes convolucionales siempre serán matrices, y para redes recurrentes siempre deben ser secuencias. En todos los casos siempre se deben representar los datos de forma numérica, es la única manera de lograr que las redes "entiendan" esta información! Un saludo!
Muchas gracias... lastima que desaproveches tanto la pantalla, se leería mejor el código si la terminal se viese a pantalla completa. (Mi visión empeoró con la edad) --- gracias de nuevo.
Hola! Por ser un archivo tipo "Jupyter Notebook" se debe abrir en el navegador de internet (ejecutando jupyter notebook desde la ventana de comandos o el terminal). Se podría abrir desde un editor de texto pero el formato del archivo no hace fácil la lectura. ¡Un saludo!
Seria interesante un video de cómo diseñar redes neuronales? es decir, cuantas capas, cuantas neuronas, etc etc etc... Qué cosas tener en cuenta a la hora de diseñar un modelo con ejemplos reales.
Hola Santiago. Claro que sí, esa ha sido una pregunta recurrente en el canal, y desde luego tengo pensado hacer un video de esas características, muy pronto. Un saludo!
Me gustaría saber si podrías explicar en un vídeo como realizar redes neuronales (decentes) cuando el set de datos es pequeño (osea usando generadores en el pre-procesamiento), en mi caso trate de hacer una red neuronal convolucional para detectar cuando un paciente en su rostro presenta una reacción anafilactica pero por desgracia solo pude conseguir 70 imágenes en distintas fuentes de caras así, así que tuve que usar generadores, sin embargo utilice los ejemplos que es tensor flow para ello pero la verdad no le entendí bien que está haciendo (y no encontré mucha documentación al respecto)
Altaga el problema de tener tan pocas imágenes es que una red convolucional no logrará ser entrenada adecuadamente para que extraiga las características más relevantes de estas imágenes, incluso si usas generadores. En tu caso se me ocurre una alternativa que es la detección de anomalías (similar al método explicado en el video sobre autoencoders: th-cam.com/video/aLcDJoG0pec/w-d-xo.html): Supón que el dato "normal" es un rostro sin reacción analifáctica, y una anomalía es precisamente el rostro con reacción "anafiláctica". La idea es que busques un set de datos lo suficientemente grande únicamente con rostros normales (Kaggle es una fuente donde muy probablemente puedes encontrarlo). La idea es que entrenes un autoencoder para que "aprenda" a reconocer rostros normales. Una vez entrenado introduces un rostro anormal (con choque anafiláctico) y es de esperar que la reconstrucción hecha por el autoencoder no sea muy buena (pues no está entrenado para este tipo de rostros). Así, al calcular el error existente entre la imagen reconstruida y la original tendrás un error más grande para rostros anómalos que para rostros normales, y esto te permitiría detectar el choque anafiláctico. No sé, no he probado este enfoque pero creo que podría funcionar. Me da curiosidad, me cuentas si lo intentas. Un saludo!
Hola, trate de seguir las indicaciones pero aparece un error cuando instalo tensorflow --> ImportError: DLL load failed: No se puede encontrar el módulo especificado. He tratado varias cosas pero no me funciona
🔥🔥Academia Online: codificandobits.com 🔥🔥
🔥🔥Asesorías y formación personalizada: codificandobits.com/servicios 🔥🔥
Es oro puro este video💪🏻
MARAVILLOSA EXPLICACION
Joyita de canal, saludos desde Guayaquil parce!
Gracias por ese comentario! Te envío un saludo!
gracias por el aporte. buena explicacion
Ya guardé la lista de reproducción del curso. Espero los videos ansioso! Saludos.
Excelente Benjamín. Un saludo nuevamente!
@@codificandobits codificandobits seria genial que al momento de presentar el código sea haciendolo paso por paso mientras va explicando. Le recomiendo los canales: Tech with Tim y Machine Learning with Phil. Saludos nuevamente desde Chile!
Hola Miguel, un gusto dirigirme a alguien que se ha esforzado tanto en hacer explicaciones tan claras de temas complejos. Pregunta: ¿Qué libros tenías en la mesita al principio del vídeo?
ja, ja... qué buena pregunta David! Eran unos libros de diseño y arquitectura... pero si te fijas bien el que está en rojo en la parte de abajo (de color rojo) es el de "Hands-on Machine Learning...", muy bueno y muy recomendado. Un saludo!
Esta muy bien explicado
😉
Excelente explicación, muchas gracias!!
Gracias por compartir tu conocmiento, excelente video!!!!
Gracias por tu comentario Jonn. En todo caso siempre son bienvenidas tus sugerencias para mejorar el contenido del canal! Un saludo!
Muy buen resumen muy informativo gracias Miguel
😉
acabe de ver todos tus videos y tengo más curiosidad :D, gracias por compartir tu conocimiento
Wow! Excelente! Gracias por tu comentario y por tu apoyo, eso ayuda a que el canal siga creciendo. Un saludo!
Está excesivamente bueno
Están muy detallados y bien explicados tus vídeos. Te felicito por tu gran trabajo.
Te tengo una pregunta. Cómo testearias con predict en una red neuronal LSTM una nueva secuencia de datos fuera de la que ya entrenaste, para series temporales.?
Excelente este curso de Tensorflow, muchas gracias.
Gracias Alejo! Espero sigas los demás videos de esta serie. Un saludo!
Excelente como todos tus vídeos muy bien explicado, gracias
Gracias Óscar, espero lo disfrutes. Un saludo!
que curso tan bueno. hasta ahora lo localizo. una pregunta como puedo hacer el curso completo desde cero >>? tambien como se dona al canal ?.
Hola @Miguel, muy bueno tu canal. ¿Tienes un ejemplo para #clasificación de texto?
Hola Miguel buenas tardes, muchas gracias por tu nuevo vídeo. Tengo una duda, se puede trabajar los codigos del video directamente en el google colaboratory ?
Claro que sí. Aunque el código está en Github es muy sencillo ejecutarlos en Google Colab.
En el siguiente video de la serie hablaré más en detalle de esta herramienta.
Un saludo!
@@codificandobits gracias!! estare atento
genial tutorial
Gracias por tu comentario Gonzalo, ¡un saludo!
Profe con la actualizacion que hubo en googlecolabs como deben hacerse los nuevos imports???
Hola Keveen. Se hacen de la forma convencional, no hay ninguna diferencia con respecto al código Python tradicional. Ejemplo: import numpy as np ó from google.colab import files
Un saludo!
Excelente. me quedo la duda, para el caso de red neuronal; cómo se especifican los datos ? como se deben crear o en que formato se debe almacenar, por ejemplo para una matriz o vector de datos (números no imágenes) en que formatos se crean como entran a los "x" de la red ?
Hola Juan. Qué buena pregunta. Los datos originales pueden estar almacenados virtualmente en cualquier formato: vectores, matrices 2D, matrices 3D, texto, etc. Sin embargo la forma como se presentan estos datos depende de la arquitectura: para redes neuronales siempre deben ser vectores, para redes convolucionales siempre serán matrices, y para redes recurrentes siempre deben ser secuencias. En todos los casos siempre se deben representar los datos de forma numérica, es la única manera de lograr que las redes "entiendan" esta información!
Un saludo!
Muchas gracias... lastima que desaproveches tanto la pantalla, se leería mejor el código si la terminal se viese a pantalla completa. (Mi visión empeoró con la edad) --- gracias de nuevo.
Hola y gracias por tu comentario. Tienes razón, voy a tenerlo en cuenta para próximos tutoriales. Un saludo!
hola, una pregunta como hago para abrir este nuevo entorno con un editor de texto (atom, spyder)??
Hola! Por ser un archivo tipo "Jupyter Notebook" se debe abrir en el navegador de internet (ejecutando jupyter notebook desde la ventana de comandos o el terminal). Se podría abrir desde un editor de texto pero el formato del archivo no hace fácil la lectura.
¡Un saludo!
Seria interesante un video de cómo diseñar redes neuronales? es decir, cuantas capas, cuantas neuronas, etc etc etc... Qué cosas tener en cuenta a la hora de diseñar un modelo con ejemplos reales.
Hola Santiago. Claro que sí, esa ha sido una pregunta recurrente en el canal, y desde luego tengo pensado hacer un video de esas características, muy pronto. Un saludo!
Me gustaría saber si podrías explicar en un vídeo como realizar redes neuronales (decentes) cuando el set de datos es pequeño (osea usando generadores en el pre-procesamiento), en mi caso trate de hacer una red neuronal convolucional para detectar cuando un paciente en su rostro presenta una reacción anafilactica pero por desgracia solo pude conseguir 70 imágenes en distintas fuentes de caras así, así que tuve que usar generadores, sin embargo utilice los ejemplos que es tensor flow para ello pero la verdad no le entendí bien que está haciendo (y no encontré mucha documentación al respecto)
Altaga el problema de tener tan pocas imágenes es que una red convolucional no logrará ser entrenada adecuadamente para que extraiga las características más relevantes de estas imágenes, incluso si usas generadores.
En tu caso se me ocurre una alternativa que es la detección de anomalías (similar al método explicado en el video sobre autoencoders: th-cam.com/video/aLcDJoG0pec/w-d-xo.html):
Supón que el dato "normal" es un rostro sin reacción analifáctica, y una anomalía es precisamente el rostro con reacción "anafiláctica".
La idea es que busques un set de datos lo suficientemente grande únicamente con rostros normales (Kaggle es una fuente donde muy probablemente puedes encontrarlo). La idea es que entrenes un autoencoder para que "aprenda" a reconocer rostros normales.
Una vez entrenado introduces un rostro anormal (con choque anafiláctico) y es de esperar que la reconstrucción hecha por el autoencoder no sea muy buena (pues no está entrenado para este tipo de rostros). Así, al calcular el error existente entre la imagen reconstruida y la original tendrás un error más grande para rostros anómalos que para rostros normales, y esto te permitiría detectar el choque anafiláctico.
No sé, no he probado este enfoque pero creo que podría funcionar. Me da curiosidad, me cuentas si lo intentas.
Un saludo!
Le sugiero hacer un tutorial como instalar tensorflow-gpu con gráficas NVidia.
bunos contenidos , quicira tutoriale de DL en lo que es conocido como inteligencia artificial geoespacial
Hola, trate de seguir las indicaciones pero aparece un error cuando instalo tensorflow --> ImportError: DLL load failed: No se puede encontrar el módulo especificado. He tratado varias cosas pero no me funciona
Hola Maicoll. ¿Me puedes enviar un "pantallazo" a codificandobits@gmail.com?
no estas enseñando tensoflow 2, solo Keras que es mucho mas compactado. Deberias cambiar el nombre de tu video