Introducción a aprendizaje automático en python

Presentación Introducción al aprendizaje automático en Python

Contenidos de la presentación de “Introducción al aprendizaje automático en Python” para un grupo de programadores que, partiendo de como instalar y crear un ambiente en Anaconda para usar en Visual Studio Code o Jupyter Notebook, aborda conceptos como machine learning, big data, data science, sus relaciones, el preprocesamiento y la visualización de datos y los modelos de algoritmos, analizando problemas como overfitting y underfitting.

Inteligencia Artificial

Introducción a la inteligencia artificial Presentación a programadores

Coontenidos de la presentación de “introducción a la inteligencia artificial” especialmente preparada para un grupo de programadores. Incluye conceptos como, Definición de inteligencia artificial, Historia de la inteligencia artificial, Agentes inteligentes, Entornos, Agentes reactivos o reflexivos, Agentes basados en modelos y en objetivos, Agente resolvente, Algoritmos de búsqueda en arboles, Primero en profundidad y primero en anchura, Otros algoritmos en arboles y grafos, Búsqueda informada y heurísticas, Búsqueda A*, Máximos, mínimos y optimización, Gradient descend, Hill climbing, Simulated annealing, Algoritmos genéticos, Problema de satisfacción de restricciones, Juegos, Multiagentes, Minimax, Poda Alfa Beta, Logica y prolog, Planing (strips), Neural Networks

InstalandoApacheSpark

Instalar Apache Spark en Windows 10

Apache Spark se puede ejecutar en Hadoop, Mesos, en la nube o como una aplicación independiente. El artículo explica de una manera simple,cómo realizar la instalación de Apache Spark en Windows 10 como aplicación independiente a partir de los binarios precompilados mediante despliegue XCOPY y sin la necesidad de utilizar componentes adicionales, excepto los que habitualmente usamos como un descompresor 7-Zip.

Modelo Perceptron

El perceptrón como neurona artificial

En 1943 McCulloch y Pitts propusieron un modelo de neurona artificial que modelaba aspectos físicos de las neuronas naturales. El modelo que propusieron tenía una salida binaria cuyo resultado se obtenía a partir de los valores de entrada y de los pesos relativos que se ajustaban para obtener la salida deseada. De esta manera se podía obtener una función que a partir de los valores entrada generaba una salida que podía utilizarse por ejemplo para clasificación. Estos resultados sirvieron de base para el futuro modelado de Sistemas de Redes Neuronales y el aprendizaje profundo o Deep Learning.

¿Qué es Microsoft Cognitive toolkit?

Cognitive Toolkit o CNTK es una librería (biblioteca) para el aprendizaje profundo (deep learning) basado en redes neuronales profundas (DNN). Fue desarrollada por Microsoft Research en el lenguaje C++ a partir de 2012 y luego desde el año 2015 es de código abierto a partir de su publicación en CODEPLEX. Un año más tarde en 2016 se traslada a GitHub, al anunciar la versión CNTK 1.0, siendo actualmente multiplataforma y para múltiples sistemas operativos. AL momento de escribir esta publicación la versión es la 2.4.

ErrorMatPlotLib

CNTK, Python y el error al ejecutar “import matplotlib”

En las versiones 2.2 y 2.3 de Microsoft Cognitive Toolkit es común que aparezca un error al ejecutar “import matplotlib”. Ya sea que estemos usando Jupyter Notebooks o el entorno de Python de Anaconda3 el error impide realizar gráficos utilizando la librería matplotlib. Este error no se produce si utilizamos la versión 2.4 de Microsoft Cognitive Toolkit.

InstalandoCNTK

Cómo instalar Microsoft Cognitive Toolkit en Windows

Aquí se describe cómo instalar Microsoft Cognitive Toolkit en Windows en sus diferentes variantes, prestando especial atención a los detalles de la instalación manual relacionados con la instalación de Anaconda3 y el entorno de Python. Para la instalación se utilizan los archivos binarios (compilados) que se pueden descargar desde el sitio de CNTK.

ONNX

ONNX – Open Neural Network Exchange

ONNX es un formato abierto para representar modelos de Deep learning (aprendizaje profundo). Ya tiene soporte disponible en varios de los frameworks más importantes del mercado como Caffe2 de Facebook, CNTK (Cognitive Toolkit) de Microsoft, Apache MXNet, PyTorch y TensorRT de NVIDIA. También hay convertidores desarrollados por la comunidad para otros proyectos como TensorFlow de Google y CoreML de Apple .