Machine learning y computación – Desarrollo y difusión
La editorial Springer acaba de publicar un nuevo libro de dinámica no-lineal, caos y complejidad en memoria del Profesor Valentin Affraimovich. Valentin Affraimovich fue un gran matemático ruso que hizo grandes contribuciones a los sistemas dinámicos, teoría de bifurcaciones y sistemas caóticos con especial énfasis en sus aplicaciones a la biología. El libro presenta los... Seguir leyendo →
En un post pasado vimos como Google AutoML Tables permite implementar modelos de machine learning de manera automática y transparente sobre datos estructurados. En este post vamos a ver el servicio de entrenamiento de Google AI Platform, que permite seleccionar diferentes modelos para los trabajos de entrenamiento, habilitar el entrenamiento distribuido, ajustar hiperparámetros y acelerar... Seguir leyendo →
Desde hace años, Google lleva trabajando en la automatización del diseño de modelos de machine learning. Como describimos en un post anterior, primero automatizando la búsqueda de los meta-parámetros (modelo a usar, número de capas, función de optimización) y después empleando únicamente operaciones matemáticas simples como bloques para diseñar el modelo. Fruto de esos trabajos... Seguir leyendo →
En los últimos años Google Cloud Platform se ha convertido en una de las plataformas de computación en la nube más demandadas junto con AWS y Azure. Una de las ventajas que tiene Google Cloud son sus capacidades en machine learning e inteligencia artificial. La unión de la infraestructura que tiene Google, librerías como Tensorflow... Seguir leyendo →
Dentro de Google Cloud, la plataforma en la nube de Google, BigQuery es un software como servicio que consiste en un almacén de datos gestionado, es decir no tenemos que preocuparnos por su administración, y escalable automáticamente a nivel de petabytes de datos. Permite realizar consultas de SQL de alta velocidad y se puedes acceder... Seguir leyendo →
Esta entrada es parte del curso de Deep learning con PyTorch. En este post vamos a repasar algunos conceptos de programación orientada a objetos que son necesarios para comprender el funcionamiento de PyTorch. Recordemos que Python es un lenguaje orientado a objetos y que PyTorch hace uso de esta capacidad para hacer más fácil su... Seguir leyendo →
Como hemos visto en varios posts, en un algoritmo de machine learning tenemos varios tipos de parámetros que es necesario configurar para realizar una tarea óptima. Por un lado tenemos los parámetros (p.e. los pesos de una red neuronal) que se aprenden directamente usando un algoritmo de optimización como descenso por gradiente y los metaparámetros,... Seguir leyendo →
Esta entrada es parte del curso de Deep learning con PyTorch. TensorBoard es una de las herramientas más potentes de visualización en machine learning. Permite realizar funciones interesantes como: Visualizar métricas como la pérdida y la exactitud.Visualizar los grafos creados por el modelo.Ver histógramas de los parámetros y como cambian en el tiempo.Ver imágenes y... Seguir leyendo →
Esta entrada es parte del curso de Deep learning con PyTorch. En este post vamos a ver la librería PyTorch-NLP, una librería abierta para procesamiento de lenguaje natural basada en PyTorch y que viene con módulos interesantes de datasets, embeddings preentrenados, codificadores de texto, redes neuronales, etc. El paquete torchnlp.datasets tiene módulos para descargar, almacenar... Seguir leyendo →
Esta entrada es parte del curso de Deep learning con PyTorch. El módulo torch.utils.data de PyTorh tiene clases muy útiles para la carga de datos necesaria en los procesos de entrenamiento y validación. En este post vamos a ver dos de las clases más importantes, torch.utils.data.Dataset para albergar los datos y torch.utils.data.DataLoader para cargar los... Seguir leyendo →
Orgullosamente ofrecido por WordPress | Tema: Baskerville 2 por Anders Noren.