Curso Tensorflow con Anaconda - 2.Conceptos básicos aprendizaje automático y ejemplo

2.Conceptos básicos  aprendizaje automático y ejemplo

• Hola a todos.Vamos continuar con nuestro curso dedicado al aprendizaje automático.Para ello nos basaremos en un curso de google dedicado a este tema. En este enlace tenéis el curso al completo en castellano: https://developers.google.com/machine-learning/crash-course/ml-intro?hl=es

•  Antes de meternos de lleno con la programación vamos a ver un poco de terminología básica referente al aprendizaje automático. Una posible definición es: Los sistemas de machine-learning aprenden cómo combinar entradas para producir predicciones útiles sobre datos nunca  antes vistos.

• Os pongo algunos conceptos de terminología de machine learning

        - Etiquetas:Una etiqueta es el valor que estamos prediciendo, es decir, la variable.Por ejemplo:La etiqueta podría ser el precio futuro del trigo

- Atributos: Un atributo es una variable de entrada, es decir, la variable x en la regresión lineal simple. Un proyecto de aprendizaje automático simple podría  usar un solo atributo, mientras que otro más sofisticado podría usar millones de atributos, especificados como: {x1,x2,....xn}. Por ejemplo en un un detector de spam, los atributos podrían incluir los siguientes:

                        - palabras en el texto del correo electrónico

- dirección del remitente

- hora del día a la que se envió

- presencia de la frase "un truco increíble" en el correo electrónico

-Ejemplos: Un ejemplo es una instancia de datos en particular. Los ejemplos puede ser ejemplos etiquetados o ejemplos sin etiqueta.Los ejemplos etiquetados se usan para entrenar el modelo. En nuestro ejemplo del detector de spam,  los ejemplos etiquetados serían los correos electrónicos individuales que los usuarios marcaron explícitamente como "es spam" o "no es spam".Un ejemplo sin etiqueta contiene atributos, pero no la etiqueta.En el detector de spam, los ejemplos sin etiqueta son correos electrónicos nuevos que las personas todavía no han etiquetado.

- Modelos: Un modelo define la relación entre los atributos y la etiqueta.Dos fases:

A)Entrenamiento significa crear o aprender el modelo. Es decir, le muestras ejemplos etiquetados al modelo y permites que este aprenda  gradualmente las relaciones entre los atributos y la etiqueta.

                B) Inferencia significa aplicar el modelo entrenado a ejemplos sin etiqueta.

Por ejemplo, un modelo de detección de spam podría asociar de manera muy definida determinados atributos con "es spam"

             - Regresión o clasificación: Un modelo de regresión predice valores continuos, por ejemplo cuál es la probabilidad de que un usuario haga clic en un  anuncio. Un modelo de clasificación predice valores discretos por ejemplo distinguir si una imagen es de un perro, un gato o un hámster.

• En el vídeo os cuento toda esta teoría y ademas vemos otro ejemplo de código:

E

• Os dejo el código visto en el vídeo:

import tensorflow as tf

        #escalar

entero = tf.Variable(5,tf.int32)

puntoflotante = tf.Variable(4.989787328,tf.float32)

#vector

cadena = tf.string_join(["Me ", " llamo " , " Bartolo"])

vectorEnteros = tf.Variable([1,2,3,4,5],tf.int16);

puntoflotante = tf.Variable([4.989787328,3.14,2.9833],tf.float32)

#Matrices al menos 2 dimensiones

matrizEnteros = tf.Variable([ [7,5,4],[1,2,3] ],tf.int32) 

matrizfloat = tf.Variable([ [1.1,1.2,1.3],[1.1,1.2,1.3] ],tf.float32) 

matrizString = tf.Variable([ ["Hola ","me ","llamo "],["pepe "," el "," programador"] ],tf.string)