Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 26 vistas

    MAchine Learnign

    Cargado por

    Sebastian Andres Valenzuela
    El documento explica varios conceptos clave de machine learning como validación cruzada, overfitting, valores atípicos y transfer learning. También menciona algunos algoritmos populares como redes neuronales convolucionales, aprendizaje profundo y aprendizaje supervisado. Finalmente, pide responder preguntas breves sobre diseños de redes neuronales, parámetros como stride y ReLU, detección de valores atípicos y estructura de redes para una tarea.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    MAchine Learnign

    Cargado por

    Sebastian Andres Valenzuela
    26 vistas4 páginas
    El documento explica varios conceptos clave de machine learning como validación cruzada, overfitting, valores atípicos y transfer learning. También menciona algunos algoritmos populares como redes neuronales convolucionales, aprendizaje profundo y aprendizaje supervisado. Finalmente, pide responder preguntas breves sobre diseños de redes neuronales, parámetros como stride y ReLU, detección de valores atípicos y estructura de redes para una tarea.

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El documento explica varios conceptos clave de machine learning como validación cruzada, overfitting, valores atípicos y transfer learning. También menciona algunos algoritmos populares como redes neuronales convolucionales, aprendizaje profundo y aprendizaje supervisado. Finalmente, pide responder preguntas breves sobre diseños de redes neuronales, parámetros como stride y ReLU, detección de valores atípicos y estructura de redes para una tarea.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    26 vistas4 páginas

    MAchine Learnign

    Cargado por

    Sebastian Andres Valenzuela
    El documento explica varios conceptos clave de machine learning como validación cruzada, overfitting, valores atípicos y transfer learning. También menciona algunos algoritmos populares como redes neuronales convolucionales, aprendizaje profundo y aprendizaje supervisado. Finalmente, pide responder preguntas breves sobre diseños de redes neuronales, parámetros como stride y ReLU, detección de valores atípicos y estructura de redes para una tarea.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 4

    A.

    - Explique en forma breve (máximo 5 líneas) y con sus propias palabras (50%)

    1. Data de Validación
    Esta es la Data que se utiliza en el entrenamiento del modelo, para así ir comparando cada
    epoca de entrenamiento (para redes neuronales) y validar los datos de este.

    2. Overfitting
    El overfitting o sobreaprendizaje es cuando el modelo aprende solo de los datos que se le
    proporcionan, de manera que cuando se entregan datos diferentes el modelo no responde
    de manera correcta. Debido a nuestro sobre aprendizaje se puede cometer el error de
    tener datos atípicos o muestras que no sirven para nuestro entrenamiento, por lo que solo
    se considerarán los datos que sean idénticos a los entregados, incluyendo los defectuosos.

    3. Validación cruzada
    Esta técnica nos ayudará a medir el comportamiento del modelo para así encontrar cómo
    mejorar nuestro modelo rápidamente. Este es usado por lo general cuando se produce
    Overfitting, dada la gran diferencia entre los conjuntos train y test que nos indica que el
    modelo no está entrenando de buena manera o simplemente este no sirve.

    4. Valor Atípico
    También puede ser llamado como outlier, son observaciones anormales en una serie de
    datos, las cuales pueden afectar la estimación de parámetros y los resultados que
    necesitamos obtener para nuestro modelo. Dentro de un dataset estos son valores que no
    se encuentran dentro del rango de la concentración de las muestras. En una gráfica este se
    observa como la parte que no está dentro del conjunto de datos. Existen librerías las
    cuales pueden eliminar estos datos atípicos.

    5. Transfer Learning
    Esta es una de las técnicas más importantes del machine learning, su objetivo es
    aprovechar el aprendizaje, se congelan algunas capas para que quede el aprendizaje ahí y
    poder hacer modificaciones para configurar otras capas específicas y así poder solucionar
    nuestro problema particular.

    6. Recall
    7. Machine Learning
    Es un subconjunto de la inteligencia artificial, el cual es una ciencia que hace que los
    computadores actúen sin ser programados explícitamente a partir de los datos. Es el
    conjunto de algoritmos que se utilizan para el modelado a través de los datos

    8. Deep Learning
    Estructuras complejas, extrae características de la propia estructura para la toma de
    decisiones. Clase 1 2021-2
    9. Aprendizaje profundo
    10. Aprendizaje Supervisado
    11. Edge Computing
    12. Dataset
    13. Sobre aprendizaje
    14. Aprendizaje reforzado
    15. Validación cruzada
    16. Valor Atípico
    17. Kernels en SVM
    18. Transfer Learning
    19. Recall
    20. Precisión
    21. Data Aumentadanegativo.
    B.- Utilice los espacios indicados, 5 líneas máximo (60%)

    1. Mencione 3 diseños de redes convolucionales


     ResNet50
     VGG-16
     AlexNet

    2. Explique brevemente y con sus propias palabras que es el Stride en Redes


    Convolucionales.
    El Stride en Redes Convolucionales, es un parámetro que se refiere al paso con la que un
    filtro convolucional se desplaza en una imagen, nuestro filtro se mueve de pixel a pixel
    cuando nuestro stride tiene un valor de 1.

    3. Explique brevemente y con sus propias palabras que es RELU en Redes Convolucionales.
    ReLu en redes convolucionales es la función de activación, lo que está hace es dar un valor
    0 cuando la entrada de nuestra función es negativa y para valores positivos tendremos
    una función de la recta.

    4. Describa como determinó si su data tenía datos atípicos en su tarea final.


    En este caso los datos atípicos se detectaron mediante el uso de boxplot, en donde se
    grafica e identifica datos que salen atípicos de cada categoría.

    5. Explique con sus propias palabras el diseño de la estructura de red neuronal utilizada en
    su tarea3
    En el diseño se toman en consideración los siguientes parámetros (o hiperparametros):
     Cantidad de Capas densas
     Cantidad de Neuronas por Capa
     Función de Activación de cada Capa
     Capas de Dropout
     Optimizador
     Cantidad de Épocas de entrenamiento
    Se itero entre 3 a 5 capas densas, variando las neuronas de cada capa, variando las capas
    de Dropout para evitar el overfitting y utilizando diferentes funciones de activación(ReLu,
    Sigmoid), la cantidad de épocas se fijó en 200 pero se agregó un EarlyStopping(), el cual al
    detectar que el modelo no mejoraba o empeoraba detenía el entrenamiento.
    El mejor modelo obtenido fue con 4 capas densas de 64-128-256-512 neuronas y los
    Dropout después de cada capa eran de 0.5 excepto el último de 0.1.

    6. Mencione 3 aplicaciones de machine learning en el área Industrial


     En el área de robótica, implementando cámaras para la clasificación de productos
    7. Mencione 5 algoritmos de Machine Learning
     KNN
     SVM
     RN
     CNN
     Adaboost
    8. Nombre y describa las funciones utilizadas para la separación de datos (entrenamiento y
    test) de su tarea final.
    9. Mencione 5 framework para trabajo en Machine Learning.
     Tensoflow
     keras
     Pytorch
     Caffe
     Theano

    También podría gustarte