En este video crearemos un clasificador de imágenes de inicio a fin, usando IA, Python y Tensorflow.
Veremos cómo manipular nuestras imágenes de entrenamiento, probaremos varias arquitecturas e hiperparámetros con Tensorboard, veremos cómo mejorar nuestros modelos con Aumento de Datos a detalle, y exportaremos y usaremos el modelo en un sitio web.

Ya tengo cursos!
Aprende a programar desde cero con Python:
[ Ссылка ]
Aprende IA desde cero con Python:
[ Ссылка ]

Si quieres apoyarme y formar parte de este proyecto, puedes hacerlo de varias maneras:
- Patreon: [ Ссылка ]
- Membresía Youtube: [ Ссылка ]
- Da clic en me gusta y déjame un comentario!

Ligas relevantes:

Código fuente (web): [ Ссылка ]
Colab (Python / Tensorflow): [ Ссылка ]

Lista de reproducción para aprender redes neuronales desde cero con Python y Tensorflow:
[ Ссылка ]

Suscríbete y revisa mis otros videos!

= = = CONTENIDO
0:00 - Descripción del proyecto
1:43 - Datos de entrenamiento
4:34 - Manipular el set de datos
8:04 - Preparar los datos para el entrenamiento
10:00 - Modelos a utilizar
12:19 - Entrenamiento de primer modelo
13:40 - Uso de Tensorboard en Colab
14:32 - Entrenar y analizar modelos 2 y 3
16:30 - Aumento de datos
20:00 - Entrenamiento de 3 modelos con aumento de datos
23:43 - Comparación de resultados y elección
25:02 - Exportación de modelo
25:46 - Creación de HTML y predicción con Tensorflow.js
32:26 - Cómo usar el sitio y predecir en el celular
32:05 - Probando el clasificador final
= = =

Descripción larga para el algoritmo:
Hoy crearemos un clasificador de perros y gatos utilizando inteligencia artificial (artificial intelligence), aprendizaje automático (machine learning) y redes neuronales (neural networks).

Veremos a detalle como descargar un set de datos y manipularlo lo que necesitemos para prepararlo para entrar en las redes para realizar el entrenamiento. Entrenaremos varios modelos de red neuronal con distintos hiperparámetros, y compararemos su desempeño utilizando las gráficas de Tensorboard. Con tensorboard fácilmente vemos cómo sucede el sobreajuste (overfitting) y cómo solucionarlo para el proyecto.

Probaremos 3 modelos diferentes regulares, y después 3 modelos con aumento de datos. Veremos por qué unos son mejores que otros, y elegiremos el mejor.

Después exportaremos el modelo elegido a Tensorflow js para importarlo en un sitio web desarrollado con HTML, CSS y Javascript. Dicho sitio web podremos verlo en un celular ya sea cargándolo en un sitio web con HTTPS, o utilizando un túnel como NGROK.

Veremos qué tal funciona el modelo creado, revisando imágenes de perros y gatos con mi celular, y finalmente probándolo con uno de mis perros para ver qué tal funciona.

El modelo elegido finalmente es una red neuronal convolucional con 3 capas de convolución (de 32, 64 y 128 filtros), y una capa densa de 100 neuronas. A diferencia de videos previos, utilizamos la función de activación Sigmoid para la salida.

= = =
#ia #python #tensorflow #machinelearning #tensorboard

свернуть