ImageNet Large Scale Visual Recognition Challenge ( ILSVRC ) es una competencia anual de visión por computadora. Cada año, los equipos compiten en dos tareas. El primero es detectar objetos dentro de una imagen provenientes de 200 clases, lo que se denomina localización de objetos. El segundo es clasificar imágenes, cada una etiquetada con una … Continue reading «VGG-16 | modelo CNN»
Prerrequisito: Primeros pasos con la clasificación/ La clasificación es quizás la tarea de aprendizaje automático más común. Antes de pasar a los clasificadores One-vs-Rest (OVR) y cómo funcionan, puede seguir el enlace a continuación y obtener una breve descripción general de qué es la clasificación y cómo es útil. En general, existen dos tipos de … Continue reading «Estrategia One-vs-Rest para clasificación multiclase»
Después de la primera arquitectura basada en CNN (AlexNet) que ganó la competencia ImageNet 2012, cada arquitectura ganadora posterior utiliza más capas en una red neuronal profunda para reducir la tasa de error. Esto funciona para una menor cantidad de capas, pero cuando aumentamos la cantidad de capas, hay un problema común en el aprendizaje … Continue reading «Redes residuales (ResNet) – Aprendizaje profundo»
Introducción a Naive Bayes Naive Bayes se encuentra entre uno de los algoritmos de clasificación muy simples y potentes basados en el Teorema de Bayes con una suposición de independencia entre los predictores. El clasificador Naive Bayes asume que la presencia de una característica en una clase no está relacionada con ninguna otra característica. Naive … Continue reading «ML | Implementación Naive Bayes Scratch usando Python»
Podemos volver a convertir un árbol o subárbol en una oración o string de fragmentos. Para entender cómo hacerlo, el siguiente código usa el primer árbol del corpus treebank_chunk. Código #1: Unir las palabras en árbol con espacio. # Loading library from nltk.corpus import treebank_chunk # tree tree = treebank_chunk.chunked_sents()[0] print («Tree : … Continue reading «PNL | Transformación de fragmentos de árbol a texto y enstringmiento de fragmentos»
Los números aleatorios son una parte imprescindible de muchos sistemas, incluidas las simulaciones, la criptografía y mucho más. Por lo tanto, la capacidad de producir valores aleatoriamente, sin lógica ni previsibilidad aparentes, se convierte en una función primordial. Dado que las computadoras no pueden producir valores que sean completamente aleatorios, se utilizan algoritmos, conocidos como … Continue reading «Ejecuta la prueba de aleatoriedad en Python»
Requisitos previos: agrupación en clústeres de K-Means Un paso fundamental para cualquier algoritmo no supervisado es determinar el número óptimo de clústeres en los que se pueden agrupar los datos. El método del codo es uno de los métodos más populares para determinar este valor óptimo de k. Ahora demostramos el método dado usando la … Continue reading «Método del codo para el valor óptimo de k en KMeans»
El artículo tiene como objetivo aprender cómo preprocesar los datos de la imagen de entrada para convertirlos en tensores de punto flotante significativos para alimentar las redes neuronales convolucionales. Solo porque los tensores de conocimiento se utilizan para almacenar datos, se pueden asumir como arrays multidimensionales. Un tensor que representa una imagen de 64 X … Continue reading «CNN – Preprocesamiento de datos de imagen con generadores»
CNN es básicamente un modelo conocido como Red Neural Convolucional y en los últimos tiempos ha ganado mucha popularidad debido a su utilidad. CNN utiliza perceptrones multicapa para realizar trabajos computacionales. CNN utiliza relativamente poco preprocesamiento en comparación con otros algoritmos de clasificación de imágenes. Esto significa que la red aprende a través de filtros … Continue reading «Aplicación de la red neuronal convolucional en el conjunto de datos mnist»
Atrás quedaron los días en que solíamos tener datos principalmente en formato de filas y columnas, o podemos decir datos estructurados . En la actualidad, los datos que se recopilan están más desestructurados que estructurados . Tenemos datos en forma de texto, imágenes, audio, etc. y la proporción de datos estructurados y no estructurados ha … Continue reading «Python: limpieza eficiente de datos de texto»