Tu primera Red Neuronal para Clasificar Imágenes con Python, TensorFlow y Keras: Paso a Paso
ฝัง
- เผยแพร่เมื่อ 5 ก.ค. 2024
- Explicación visual y paso a paso de cómo implementar una Red Neuronal Artificial, en particular, un perceptrón multicapa (multilayer perceptron MLP) para clasificar imágenes del juego: Piedra, Papel o Tijera. La red neuronal se programa utilizando Python, Tensorflow y Keras.
Para citar este recurso educativo utiliza la siguiente referencia:
Gutiérrez-García, J.O. [Código Máquina]. (2024, 25 de Junio). Tu primera Red Neuronal para Clasificar Imágenes con Python, TensorFlow y Keras: Paso a Paso [Video]. TH-cam. [Incluye aquí la URL del video]
********************************************
Para guiar tu aprendizaje, en este vínculo ( • Curso de Inteligencia ... ) se encuentra una guía secuencial para aprender:
1. Programación Básica con Python;
2. Manejo de Datos;
3. Visualización de Datos;
4. Análisis de Datos; y
5. Aprendizaje de Máquina y Ciencia de Datos.
********************************************
Índice del Video:
0:00 Introducción
0:37 Juego: Piedra, Papel o Tijera
1:07 Datos (Imágenes)
1:48 Preprocesamiento de las Imágenes
6:54 Estructura de una Instancia (Imagen)
8:05 Conjunto de Datos (Imágenes)
9:30 Conjuntos de Entrenamiento y Prueba
11:47 Escalamiento de los Datos
13:50 Diseño de la Red Neuronal (Perceptrón multicapa)
24:20 Configuración del Entrenamiento
31:38 Evaluación de la Red Neuronal Artificial
32:44 Código en Python de la Red Neuronal usando TensorFlow y Keras
El código se encuentra disponible en:
github.com/CodigoMaquina/code...
El conjunto de datos (imágenes de piedras, papeles y tijeras) se pueden descargar de:
github.com/CodigoMaquina/code...
Apoya a Código Máquina dando un Like, con un Super Gracias o visitando nuestra tienda en: / shop
⭐ De la co-fundadora de Código Máquina, productos de cosmética natural SINHAKI:
www.amazon.com.mx/s?srs=12094...
#DeepLearning #AprendizajeProfundo #MachineLearning #RedesNeuronales #IA #AI #Python #DataScience #CienciaDeDatos #InteligenciaArtificial #AprendizajeAutomático #AprendizajeDeMaquina
Apoya a Código Máquina dando un Like, con un Super Gracias o visitando nuestra tienda en facebook.com/C0d1g0Maqu1na/shop
ufff, esto creo que ya lo sé hacer, pero solo por el gusto de seguir un tutorial del profe, me lo aventaré
@pptmtz muchas gracias por tus palabras :)
Quiero VOLVER a expresarle mi agradecimiento por estos videos, yo creo que no hay duda " QUE VD. NACIO PARA ENSEÑAR ", es verdaderamente agradable ASISTIR A SUS CLASES, espero que deje aqui en youtuve, toda la sabiduria que tiene profesor, NECESITAMOS DE VD. --> PARA APRENDER
@k4r4m310. agradezco mucho tus palabras. Este canal es para ustedes :)
Muchísimas Gracias profesor , a sus ordenes
Me deja dudas que hay dentro de la capa softmax. Pero como resumen general está genial.
🎉🎉🎉
@alejandrofonsecacuza muchas gracias por seguir el contenido del canal!
Excelente la explicación
@elioramos5123 muchas gracias!
Excelente explicación graficas y código Python
@brechazostv muchas gracias por seguir el contenido del canal y por comentar. En definitiva, nos ayuda a llegar a más personas :)
@@CodigoMaquina modifiqué el entrenamiento a 100 epocas y la red con 2 capas ocultas y la eficiencia aumentó a 90%
@brechazostv genial! Vi en Kaggle que con el mismo conjunto de datos original (el que no pre-procesé para el video) han alcanzado 99% de exactitud con redes convolucionales y aumentando datos (favor de ver el siguiente video th-cam.com/video/A1UXJhsMd70/w-d-xo.html). Lo comento en caso de que desees practicar un poco más ¡Ánimo!
buena explicacion pero quede con dudas con la capa SOFTMAX
@juanpablomartinezherrera717 muchas gracias por la retroalimentación. La capa softmax es muy utilizada y ciertamente amerita su propio video para explicarla con todo el detalle. Próximamente incluiremos el video en el canal.
ahora la parte 2 con redes convolucionales 🥺
@Aldotronix Sí, muy probablemente, uno de los siguientes videos sea sobre redes convolucionales. Creo que es un orden muy natural. Gracias por pasar a saludar :)