¿Pocos datos de entrenamiento? Prueba esta técnica

Hoy veremos cómo tomar modelos existentes hechos por expertos, y adaptarlos para usarlos en nuestros propios proyectos. Además, veremos una manera de crear nuestro propio set de datos.

Ya tengo cursos!
Aprende a programar desde cero con Python:
https://www.domestika.org/es/courses/...
Aprende IA desde cero con Python:
https://www.domestika.org/es/courses/...

En muchos proyectos del mundo real, contamos con pocos datos de entrenamiento, por lo que entrenar correctamente redes grandes desde cero no da muy buenos resultados.
Con esta técnica podemos aprovechar trabajo hecho en otros modelos que ya fueron entrenados con cantidades enormes de información, y usar nuestros pocos datos para entrenar solo las secciones que nos darán la respuesta, dando resultados mucho más confiables.

Si quieres apoyarme y formar parte de este proyecto, puedes hacerlo de varias maneras:
- Patreon: http://bit.ly/patreon-ringatech
- Membresía Youtube:    / @ringatech  
- Da clic en me gusta y déjame un comentario!

Ligas relevantes:
Colab con el código visto en el video, en Python y Tensorflow: https://colab.research.google.com/dri...

Lista de reproducción para aprender redes neuronales desde cero con Python y Tensorflow:
   • Inteligencia Artificial desde cero co...  

Suscríbete y revisa mis otros videos!

= = = CONTENIDO
0:00 - Qué veremos en este video
1:20 - Descripción del proyecto
1:53 - Cómo funciona la Transferencia de aprendizaje
3:34 - MobileNets e ImageNet
5:00 - Cómo aplicar la Transferencia de aprendizaje
7:00 - Hacer nuestro propio set de datos
9:00 - Configuración de set en colab
13:04 - Descargar MobileNetV2 y modificarlo
15:13 - Probar la red con URLs
16:55 - Probar con cámara web y Tensorflow Serving
= = =

Descripción larga para el algoritmo:
Hoy utilizaremos una red existente llamada MobileNetV2, y una técnica llamada Transferencia de Aprendizaje (Transfer Learning), que nos ayudará a obtener mejores resultados de nuestras redes neuronales (neural networks) cuando no contamos con suficientes datos de entrenamiento para entrenar una red desde cero.

Veremos a detalle cómo crear nuestro propio set de datos, y agregarle aumento de datos (data augmentation) utilizando ImageDataGenerator de Keras.

Descargaremos la red MobileNetV2 y la modificaremos para quitar la última capa de clasificación, y agregar la nuestra, y finalmente entrenar solo esa capa, congelando (freeze) el resto del modelo.

Finalmente veremos brevemente otro método de despliegue de modelos, con Tensorflow Serving.

= = =
#ia #python #transferlearning #tensorflow #machinelearning