Iniciación a Computer Vision con Machine/Deep Learning en R
- 18 hours on-demand video
- 17 downloadable resources
- Full lifetime access
- Access on mobile and TV
- Assignments
- Certificate of Completion
Get your team access to 4,000+ top Udemy courses anytime, anywhere.
Try Udemy for Business- El curso se centra en el reconocimiento automático de números en la escritura manual. A través de este tipo de imágenes (números escritos a mano), vamos a ver diversas operaciones, métodos y algoritmos para clasificar los números manuscritos y predecir e interpretar nuevas imágenes. Además, aprenderás a utilizar R y plataformas de Deep Learning como H2O o TensoFlow.
Introducción al curso Computer Vision con Machine y Deep Learning programando en R. En este curso trabajaremos estos conceptos desde R, con la ayuda del paquete Caret y otras librerías de Aprendizaje Automático y Profundo. Analizaremos el famoso fichero MNIST con decenas de miles de números manuscritos y etiquetados. A disfrutarlo!
Mi nombre es David Manero, Ingeniero de Telecomunicaciones, Data Scientist, Data Manager y Lindy Hopper. Aquí están mis 2 centavos.
¿Qué es la Visión por Computador? Uno de los primeros puntos obligados en "¿De qué estamos hablando?" es tratar de tener una visión clara de lo que es la Visión por Computador. En este vídeo lo comentamos, lo definimos y veremos unos cuantos ejemplos muy interesantes.
H2O y TensorFlow son sendas aplicaciones a las que denominaremos Plataformas de Aprendizaje y que nos permiten, con una instalación en nuestros equipos, acceder a un entorno de desarrollo de Data Science y Machine Learning profesional, incluso a través de un interfaz con R.
El objeto más importa para un científico de datos es el dataframe, que es la forma que tendrán nuestros datasets.
Un dataframe es una matriz en la que las filas son las distintas observaciones y las columnas son las variables que hay de cada observación.
En esta primera parte generamos un dataframe con el que operaremos.
El objeto más importa para un científico de datos es el dataframe, que es la forma que tendrán nuestros datasets.
Un dataframe es una matriz en la que las filas son las distintas observaciones y las columnas son las variables que hay de cada observación.
En la segunda parte vemos cómo hacer subsets del dataframe original y aprenderemos a acceder a cada uno de los datos.
El objeto más importa para un científico de datos es el dataframe, que es la forma que tendrán nuestros datasets.
Un dataframe es una matriz en la que las filas son las distintas observaciones y las columnas son las variables que hay de cada observación.
En la tercera parte veremos la operaciones principales que podemos realizar con nuestros dataframes.
El último objeto que veremos en este curso son las Series de Tiempo. Aunque no las utilicemos más adelante, conviene conocerlas, ya que son muy importantes para análisis de datos, por ejemplo, en el mundo del e-commerce, o para procesos en los que el tiempo es un factor muy importante.
Empezamos a explorar el fichero MNIST haciendo una representación gráfica de los trazos de los distintos números. Veremos las tendencias al escribir los distintos dígitos del 0 al 9 y veremos, también, la representación del set de training (42.000 observaciones) que imprimiremos en un pdf.
Naïve Bayes es el método más ampliamente utilizado para hacer clasificaciones. Es un método sencillo y rápido.
Utilizamos Naïve Bayes para clasificar las observaciones del fichero MNIST y desarrollamos un modelo. Probaremos dos paquetes, el e1071, especializado en probabilidad y estadística, y que implementa un Naïve Bayes muy eficiente. Y el caret, que, como sabemos, contiene muchas implementaciones de algoritmos.
Una novedad en este curso, usaremos un método distinto para, a partir de la información en píxeles que tenemos de MNIST, obtendremos una nueva representación de la información, esta vez mediante histogramas de gradientes orientados, en vez de por intensidad de píxeles. No reducimos dimensionalidad, sino que utilizamos una información totalmente nueva para utilizar como predictor.
Vamos a ejecutar una demo incluida en la librería de H2O que hemos cargado en nuestro RStudio. El ejemplo es de un algoritmo k-means que clusteriza datos de enfermos de próstata. No se pretende ver como funciona el algoritmo, sino como interactuamos con el H2O instalado en nuestro sistema.
Aprovechamos la capacidad de H2O para montar una red de aprendizaje no supervisado profundo con una estrategia bottleneck. Al usar no supervisado, más que un estupendo algoritmo de clasificación, veremos como todos los predictores se condensan en 2 variables (neuronas) que podemos estudiar para tratar de determinar ciertas características de los datos.
El set de datos de MNIST es ampliamente utilizado para practicar y para estudiar Machine Learning. Veremos el trabajo de Yann Lecun y su equipo con MNIST y conoceremos Kaggle, la plataforma de Data Science y Machine Learning con gran cantidad de datasets, concursos y artículos para aprender y practicar.
Mostramos los archivos proporcionados para la sección, así como la instalación de las librerías necesarias.
En este enlace encontrás todos los archivos necesarios para el desarrollo de la aplicación:
https://www.dropbox.com/sh/nyve76amvncmr52/AADyV4lxJRBJ8BWmqUyrzzDna?dl=0
Utilizando la eficiencia calculada para cada uno de los métodos, vamos a crear un algoritmo que genere una predicción general basada en la poderación de los diferentes modelos. Básicamente sumaremos las eficiencias de las distintas posibles predicciones de cada modelo, y seleccionaremos aquella que tenga mayor valor. También calcularemos la fiabilidad que le proporcionamos a este resultado.
- Aunque se proporcionan unas bases de R, es recomendable conocerlo un poco. Los conceptos Matemáticos y Estadísticos utilizados se explicarán, pero conviene tener alguna base.
La Visión por Computador o Computer Vision (en inglés) es uno de los primeros objetivos que tuvo la programación desde sus inicios y, sobre todo, desde que se planteó la utilización del procesado automático en las cadenas de montaje.
Desde discriminar la madurez de las frutas por su color, hasta reconocer patrones biométricos, pasando por los pulsómetros ópticos, o el reconocimiento de matrículas. Las utilidades de la Visión por Computador están sólo limitadas por la imaginación humana.
En los últimos años, con el aumento del conocimiento en la denominada Ciencia de los Datos, se han desarrollados nuevos (y no tan nuevos) métodos de Aprendizaje para que sean las máquinas las que puedan tomar decisiones en base al procesado de la imagen que sus ojos tecnológicos les proporciona.
El Machine Learning y, el siguiente paso, el Deep Learning ha supuesto una ventaja mayor si cabe en la autonomía de las máquinas.
Trabajaremos con un famoso set de datos denominado MNIST, y que contiene 60.000 ejemplos de números manuscritos con su correspondiente etiqueta del número que representan. Cada número esta formado por una matriz de píxeles de 28x28 con valores entre 0 y 255 para la intensidad del trazo.
En el curso vamos a analizar una buena cantidad de métodos y algoritmos de Machine Learning, como Naïve Bayes, Random Forest, Support Vector Machine, K Nearest Neighbours o Redes Neuronales y sistemas de pre-procesado de la información, como PCA, SVD o HOG.
También trabajaremos algunos sistemas de Deep Learning, como H2O o Tensor Flow (de Google) para el tratamiento de esta información de imágenes.
Espero que os guste el curso y que disfrutéis aprendiendo los entresijos de la Visión por Computador y el Aprendizaje Profundo y Automático.
- Si te interesa la Ciencia de los Datos, la Visión por Computador, el Machine Learning o Aprendizaje Automático y el Deep Learning o Aprendizaje Profundo, ¡¡¡éste es tu curso!!!