Cognitive Science">
Nothing Special   »   [go: up one dir, main page]
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 25 vistas

    Practica 3 - Redes Neur

    Cargado por

    Donato Rico
    Esta práctica describe la implementación de una red neuronal simple en Python para convertir grados Celsius a Fahrenheit. Se importan las librerías necesarias, se definen los datos de entrada y salida, y se crea y entrena el modelo. Luego, el modelo se usa para realizar predicciones basadas en la entrada del usuario. Los autores concluyen que esto proporciona una introducción práctica y accesible a las redes neuronales y su potencial para resolver problemas del mundo real.

    Copyright:

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

    Practica 3 - Redes Neur

    Cargado por

    Donato Rico
    25 vistas5 páginas
    Esta práctica describe la implementación de una red neuronal simple en Python para convertir grados Celsius a Fahrenheit. Se importan las librerías necesarias, se definen los datos de entrada y salida, y se crea y entrena el modelo. Luego, el modelo se usa para realizar predicciones basadas en la entrada del usuario. Los autores concluyen que esto proporciona una introducción práctica y accesible a las redes neuronales y su potencial para resolver problemas del mundo real.

    Descripción original:

    Título original

    Practica 3_Redes Neur

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Esta práctica describe la implementación de una red neuronal simple en Python para convertir grados Celsius a Fahrenheit. Se importan las librerías necesarias, se definen los datos de entrada y salida, y se crea y entrena el modelo. Luego, el modelo se usa para realizar predicciones basadas en la entrada del usuario. Los autores concluyen que esto proporciona una introducción práctica y accesible a las redes neuronales y su potencial para resolver problemas del mundo real.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    25 vistas5 páginas

    Practica 3 - Redes Neur

    Cargado por

    Donato Rico
    Esta práctica describe la implementación de una red neuronal simple en Python para convertir grados Celsius a Fahrenheit. Se importan las librerías necesarias, se definen los datos de entrada y salida, y se crea y entrena el modelo. Luego, el modelo se usa para realizar predicciones basadas en la entrada del usuario. Los autores concluyen que esto proporciona una introducción práctica y accesible a las redes neuronales y su potencial para resolver problemas del mundo real.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 5

    INSTITUTO TECNOLÓGICO SUPERIOR DE ACAYUCAN

    PRÁCTICA 3

    Pasar la red neuronal a un lenguaje de programación

    INGENIERÍA MECATRÓNICA

    REDES NEURONALES

    Clave de la asignatura: RIF-2205

    INTEGRANTES:

    Domínguez Rico Donato


    Martínez Diaz Aaron Miguel
    Ramírez Mozo Israel
    Roman Patraca Edgar
    Valdés Morales Francisco Manuel

    DOCENTE
    ING. Abner Montenegro Hipólito

    Acayucan Ver. Octubre de 2023


    Objetivo

    Pasar nuestra red neuronal a un lenguaje de alto nivel para comprobarla que si funcione.

    Material Utilizado

    • Computadora
    • Visual Studio Code
    Para llevar a cabo la realización de la red neuronal utilizaremos el lenguaje de programación
    Python y utilizaremos Tensorflow para entrenar la red y hacer que esta aprenda.

    1. Comenzaremos importando los frameworks de tensorflow y numpy.

    import tensorflow as tf
    import numpy as np

    2. Arreglos de números donde se colocan los datos de entrada de celcius y los resultados
    de fahrenheit.

    celsius = np.array([-60, -40, -10, 0, 0.5, 1, 2, 5, 8, 15, 22, 38, 50, 60, 70,
    100], dtype=float)
    fahrenheit = np.array([-76, -40, -14, 32, 32.9, 34, 35.6, 41, 46.4, 59, 71.6,
    100.4, 122, 140, 158, 212], dtype=float)

    3. Definición de capas.

    a. «tf.keras.layers.Dense» Hace referencia que define una capa de tipo densa. (Las
    capas de tipo densa significan que cada neurona de una capa, tienen
    conexiones a todas las neuronas de la siguiente capa).
    b. «units = 1» Hace referencia que hay una neurona de salida.
    c. «input_shape = [1]» Significa que hay una capa de entrada con una sola
    neurona.
    d. «modelo = tf.keras.Sequential([capa])» Definición de modelo de capa secuencial,
    asignado a nuestra variable «capa».

    capa = tf.keras.layers.Dense(units=1, input_shape=[1])


    modelo = tf.keras.Sequential([capa])

    4. Definición del optimizador y función de perdida


    a. Para el optimizador se utiliza el algoritmo Adam (Adam es un algoritmo de
    optimización que se puede utilizar en lugar del procedimiento de descenso de
    gradiente para actualizar los pesos de red de forma automática), en este caso se
    le asigna el valor de 50, porque poco puede hacer lenta la red, y mucho, pasarse
    del resultado esperado.

    modelo.compile(
    optimizer=tf.keras.optimizers.Adam(50),
    loss='mean_squared_error'
    )

    5. Entrenamiento
    a. Se utiliza la función «.fit» sobre el modelo, ejemplo «modelo.fit» especificando
    los datos de entrada (En este caso la lista celcius) y los datos de salida (En este
    caso fahrenheit), luego se definen las épocas por las que iterará, con la función
    «epochs = valor» y para solo imprimir lo esencial se utiliza «verbose = False»
    6. print("Comenzando entrenamiento...")
    7. historial = modelo.fit(celsius, fahrenheit, epochs=10000, verbose= False)
    8. print("Modelo entrenado!")

    6. Predicción
    a. En este caso se hace una predicción de cuantos son n grados celcius en
    fahrenheit, utilizando un arreglo para poder ingresar los grados que el usuario
    quiera.

    print("Hagamos una prediccion!")


    celsius_input = float(input("Ingresa la temperatura en grados Celsius: "))
    fahrenheit_output = modelo.predict([celsius_input])
    print(f'{celsius_input} grados Celsius son aproximadamente
    {str(fahrenheit_output[0][0])} grados Fahrenheit')

    A continuación, se mostrará que nuestra red neuronal es funcional.

    1 Python

    2 Google
    Conclusiones:

    Donato Dominguez Rico

    Aprendizaje Interactivo: La implementación de una red neuronal para convertir grados Celsius
    a Fahrenheit proporciona una forma interactiva y educativa para que las personas comprendan
    los conceptos básicos del aprendizaje automático. Permite a los usuarios interactuar con un
    modelo de inteligencia artificial en un contexto práctico y comprender cómo las redes neuronales
    pueden realizar tareas matemáticas simples.

    Aaron Miguel Martínez Diaz

    Aplicación Práctica de Conceptos: Esta aplicación proporciona una demostración práctica de


    cómo los conceptos teóricos de las redes neuronales y el aprendizaje automático pueden
    aplicarse en situaciones del mundo real, incluso para tareas aparentemente simples. Ayuda a las
    personas a visualizar cómo los algoritmos pueden aprender patrones y realizar conversiones
    complejas a partir de datos de entrada.

    Israel Ramírez Mozo

    Facilidad de Uso: La aplicación es fácil de usar para los usuarios finales. Pide una entrada en
    grados Celsius y devuelve la temperatura equivalente en grados Fahrenheit. Esto demuestra
    cómo las complejidades del modelo de red neuronal están ocultas para el usuario, lo que subraya
    la capacidad de las tecnologías de inteligencia artificial para hacer tareas complejas de manera
    sencilla y accesible.

    Edgar Roman Patraca

    Flexibilidad de la Red Neuronal: Aunque el problema de convertir grados Celsius a Fahrenheit


    se puede resolver fácilmente con una fórmula matemática, utilizar una red neuronal muestra la
    flexibilidad de estos modelos. Pueden adaptarse y aprender de conjuntos de datos más
    complejos, lo que subraya su potencial para abordar problemas mucho más desafiantes y
    variados en diversas disciplinas.

    Francisco Manuel Valdés Morales

    Estímulo para el Aprendizaje: Al proporcionar una experiencia interactiva y práctica con


    inteligencia artificial, esta implementación puede estimular el interés en aprender más sobre la
    ciencia de datos y el aprendizaje automático. Puede inspirar a los usuarios a profundizar en
    estos temas, lo que puede ser especialmente valioso para estudiantes y entusiastas que están
    interesados en tecnologías emergentes.

    También podría gustarte