Entrenando una red neuronal en Python

Mucha gente cree que utilizar el Machine Learning para resolver problemas cotidianos es muy complicado, pero no es del todo cierto, en realidad conociendo algunas herramientas en poco rato se puede tener en marcha un sistema que aprenda a dar respuesta a un problema y se adapte con el tiempo para mejorar su precisión.

He creado un pequeño juego de Piedra Tijeras Papel para enseñar a una red neuronal (muy simple, sin hacer ningún tipo de configuración y “fine tuning”) y mostrar cómo la red neuronal aprende poco a poco y mejora con cada iteración su precisión.

El vídeo está hecho de madrugada, así que espero que sepáis perdonar mi lentitud a la hora de detectar los fallos que yo mismo voy cometiendo durante la creación del código.

¿Que te ha parecido? ¿Has conseguido llegar hasta el final sin dormirte?

Update: He subido el Notebook a mi cuenta de GitHub con el nombre PiedraTijerasPapel – LIVE

Publicado por

Suki_

CDO en Grupo Logitravel, proyectos I+D y BigData. Jugando con bits y software libre desde hace ya demasiado tiempo...

3 comentarios en “Entrenando una red neuronal en Python”

  1. Hola,

    Primero de todo, muchas gracias por el vídeo.

    Novato del machine learning al habla: ¿Porqué utilizas la función predict_proba para obtener las probabilidades y no utilizas la función predict para obtener directamente el resultado?

    ¿Esta disponible en algún sitio el notebook con el que trabajaste?

    1. Si utilizo el predict_proba obtengo la probabilidad que considera la red neuronal para cada una de las respuestas, y con ello puedo filtrar por ese 95% que pongo en el código para utilizar su respuesta sólo si está muy muy muy seguro. Si utilizase el predict, me elige la mejor de las tres, pero no sabré el porcentaje de seguridad que ha utilizado para tomar la decisión. ;)

      1. Entendido. Entonces, habría que valorar si la red neuronal se entrena más rápido con este 95% de seguridad, o con otro valor, o incluso sin tener en cuenta el porcentaje de probabilidad :)

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *