1. Nombre: Anthony Israel Gaona Quiñonez
Fecha de entrega: 20/06/2022
Laboratorio: Trabajando con redes neuronales y Deep Learning
APARTADO A (Regresión)
Describe el conjunto de datos utilizado. Para ello, incluye en el informe una
descripción de los datos del problema que contenga:
• Número de instancias en total.= 5
• Número de atributos de entrada, su significado y tipo.
column_names = [9 atributos] significado =raw_dataset tipo= dato relacional
•¿Hay algún valor de atributo desconocido? na_values = "?"
¿A qué puede deberse esto? = se debe a los valores no encontrados
¿Cuáles son las posibles causas? = gracias a los valores set de Datos de MPG
¿Qué sucedería si no limpiamos y preprocesamos los datos?
El data set no nos muestra los valores desconocidos
¿Cómo afectaría esto a la técnica de regresión?
No predícela salida del valor y fallo en la predicción del resultado
Divide el dataset en datos de entrenamiento y prueba.
¿Por qué son útiles estos estadísticos?
Porque nos permite generar el modelo a partir de los datos de entrenamiento para
después comprobar.
¿Qué nos permiten ver estas gráficas?
Su eficiencia con los datos reservados para él test y el entrenamiento de los datos en
las estadística.
¿Cuáles son, según tus observaciones, las relaciones que existen entre las variables?
El entrenamiento mediante estadísticas con clasificación binaria.
Una explicación de por qué se realiza este proceso. Indica también qué división se
está realizando.
Está realizando las predicciones del set de Datos de MPG y se divide el set de datos en
un set de entrenamiento y otro de pruebas.
Instituto SuperiorTecnológico “La Castellana”.
Carrera de Desarrollo de Software
Materia: InteligenciaArtificial
2. normaliza los datos.
¿Qué sucedería si no normalizamos los datos?
El modelo podría convergerse y dificultaría el entrenamiento
¿Cómo afectaría esto a la técnica de regresión?
Haciendo que el modelo resultante dependa de la elección de las unidades utilizadas
en la entrada.
construye e inspecciona el modelo.
Una descripción de la arquitectura de la red neuronal utilizada, las neuronas en la
capa de entrada, así como las capas intermedias y capa de salida.
Capa de entrada =Valores data set y obtención del dato,
capa intermedia = porcentajes y se encarga de la predicción datos
capa de salida= que devuelve un único valor continuo y realiza el resultado
• Descripción de la fuente de datos empleada. Explicación sobre los datos
desconocidos.
Se aplica los datos resultantes o datos ya puestos en data set y se aplica dos capas
ocultas densamente conectadas y una capa de salida que devuelve un único valor
continuo.
• Explicación del proceso de preprocesamiento.
se puede realizar mediante técnicas de filtrado, análisis e visualización de datos e
incluso con algoritmos de aprendizaje automático
• Explicación del proceso de partición del dataset.
tomamos una muestra aleatoria significativa y en cualquiera de los dos casos,
realizamos un análisis jerárquico previo con todos estos datos.
• Caracterización del dataset utilizado en modo texto y gráfico. Análisis de
relaciones entre variables.
Verdadero por que gracias al data set se puede visualizar de manera textual o grafica
• Explicación del proceso de normalización del dataset.
El objetivo es asociar formas similares a los mismos datos en una única forma de datos.
• Descripción de la arquitectura de la red.
Se posibilita la conexión y transmisión de datos a través de la red mediante el dataset
3. APARTADO B (Clasificación)
¿Qué librería se ha utilizado?
Se utiliza la librería Numpy y matplotlib
¿Dónde se encuentran estos datos de origen?
Se encuentra en set de datos de Fashion MNIST
¿Qué significa cada uno de los arrays resultantes?
Significa los elementos de un mismo tipo en este caso las prenda de vestir
• Número de clases, indicando qué representan dichas clases y el tipo de valor
que toman.
Es una función lógica que esta formado de grupos en este caso ropa su número serias
10,000 imágenes en 10 categorías y la imagen muestra una resolución baja de 28 x 28
pix
• Número de instancias en total.
10,000 imágenes de vestimenta
• Número de instancias pertenecientes a cada clase.
10 categorías y cada categoría contienen 1000
• Número de atributos de entrada, su significado y tipo.
10 atributos de entrada que son imágenes de prendas de vestir de diferentes tipo de
prendas como pantalonetas camisetas, pantalones zapatos vestidos etc.
• ¿Hay algún valor de atributo desconocido?
Algunos atributos que no pertenecen a ninguna clase antes mencionada con un valor
desconocido.
¿Qué sucedería si no limpiamos y preprocesamos los datos?
La red no se a entrenar y no se va a encontrar que los valores de los pixeles que están
entre 0 y 255
¿Cómo se lleva a cabo la normalización?
Asimila a todas las imágenes y las clasificas mediante algunas clases antes asignadas
por ejemplo según su etiqueta o prenda de vestir
¿Por qué se realiza este proceso y por quede la forma propuesta?
Para clasificar imágenes según sus clases y realizar el modelo de la red neuronal
4. Descripción de la arquitectura de la red neuronal utilizada, las neuronas en la capa
de entrada, así como las capas intermedias y capa de salida.
Capa de entrada sería el procesamiento de set data y explora miento de set data
Capa intermedia construcción y entrenamiento del modelo
Capa de salida evaluación y predicción del modelo en otras palabras resultado final
Qué significa evaluar el modelo sobre los datos de entrenamiento y los de test y por
qué se obtienen valores diferentes.
Que entrena y configura la red neuronal mediante prueba y error obteniendo así
valores diferentes conforme los atributos que hemos implementados.
• Descripción de la fuente de datos empleada. Explicación sobre librerías
empleadas, fuente de datos y arrays obtenidos.
Se utiliza la librería Numpy y matplotlib se utiliza Moda MNIST está construida como
un reemplazo para el set de datos clásico y los datos obtenidos son 10,000 imágenes
para acceder al set de moda de MNIST directamente desde TensorFlow.
• Descripción del dataset.
Se Explora el dataset antes del entrenamiento de modelo y la red neuronal
• Explicación del proceso de preprocesamiento y normalización del dataset.
Verificar que el set de datos está en el formato adecuado y que están listos para
construir y entrenar la red, vamos a desplegar las primeras 25 imágenes de el training
set y despleguemos el nombre de cada clase debajo de cada imagen.
• Descripción de la arquitectura de la red.
Exploración de data set y contrición del modelo en la cual asimila los valores iguales y
los clasifica y por último entrena y evalúa el modelo para realizar la predicción.
• Explicación de los diferentes valores de exactitud sobre los datos de
entrenamiento y sobre los datos de test.
En datos de entrenamiento pueden acceder al set de moda de MNIST directamente
desde TensorFlow. Para importar y cargar el set de datos de MNIST directamente de
TensorFlow y el dato de test verificar que el set de datos está en el formato adecuado
y que están listos para construir y entrenar la red.