Download Introducción a TensorFlow: Aprendizaje Automático con IA and more Schemes and Mind Maps International Law in PDF only on Docsity!
UNIVERSIDAD AUTÓNOMA METROPOLITANA
UNIDAD XOCHIMILCO
DIVISIÓN DE CIENCIAS Y ARTES PARA EL DISEÑO
LICENCIATURA DE ARQUITECTURA
MÓDULO X: DESARROLLO DE
ESPACIOS ARQUITECTÓNICOS I
LAS PLATAFORMAS LIBRES Y PAGADAS DE IA
Y MACHINE LEARNING Y SUS USOS
TALLER DE RECNOLOGÍA
DOCENTES:
DRA. LAURA ISABEL ROMERO CASTILLO
DRA. EUGENIA CASTRO RAMÍREZ
DRA. ANNETTE LIONS RAMÍREZ
EQUIPO:
QUETZALCÓATL INOCENCIO CALDIÑO JIMENEZ
ANGÉLICA GPE. CRUZ SARQUIZ
FRANCISCO EVERARDO RAMÍREZ LÓPEZ
GRUPO: AJ02A
FECHA: 15/08/
ÍNDICE
- INTRODUCCIÓN
- Aplicaciones del Machine Learning
- Instalar tensorflow con pip
- Requisitos de hardware
- Requisitos del sistema
- Requisitos de software
- Instrucciones paso a paso
- ¿ Qué hacer tener TensorFlow en nuestros dispositivos?
- Conceptos Básicos
- Un ejemplo práctico en arquitectura con ChatGpt
- Ejemplo con la página TensorFlow
- Google Colab
- CONCLUSIÓN
- BIBLIOGRAFÍA
Aplicaciones del Machine Learning
El machine learning (ML) tiene una amplia gama de aplicaciones en diferentes campos. Algunas de las aplicaciones más destacadas incluyen:
- Reconocimiento de Imágenes y Visión por Computadora Reconocimiento facial: Utilizado en seguridad, redes sociales y dispositivos móviles. Detección de objetos: Empleado en vehículos autónomos, sistemas de vigilancia y realidad aumentada.
- Procesamiento de Lenguaje Natural (NLP) Asistentes virtuales: Como Siri, Alexa y Google Assistant. Traducción automática: Google Translate y otros sistemas de traducción en tiempo real. Análisis de sentimientos: Monitorización de opiniones en redes sociales y reseñas de productos.
- Análisis Predictivo Predicción de ventas: En retail y e-commerce para optimizar inventarios. Mantenimiento predictivo: En industrias para predecir fallos en maquinaria y reducir tiempos de inactividad. Modelado financiero: Para prever tendencias de mercado y riesgos en inversiones.
- Arquitectura y Construcción Optimización del diseño: Herramientas que sugieren diseños eficientes y sostenibles. Modelos predictivos: Para prever costos, tiempos y materiales en proyectos de construcción. Generación de estructuras: Algoritmos que crean diseños arquitectónicos innovadores
Para emplear estas aplicaciones y que pueda hacer estos procedimientos, es muy importante saber como se crean los códigos para crear el modelo que desees aplicar en la aplicación que creas o la pagina que creas para que la maquina o programa pueda desarrollar estas acciones que nos brinda Machine Learning. Como primera aplicación que encontramos y es la más utilizada es TensorFlow facilita la creación de modelos de AA que pueden ejecutarse en cualquier entorno. Hay una página que enseñan y hay cursos para hacer estos códigos y como aprender a usar las APIs
Instalar tensorflow con pip
Como inicio de los usos de estas aplicaciones necesitamos saber cómo podemos instalar dichas aplicaciones. En internet encontramos varios métodos de instalación de estas aplicaciones, Pero encontramos un método donde es más fácil y legal. Se encontró una guía para la última versión establecida de TensorFlow. Para la versión preliminar (todas las noches) , utilice el paquete pip denominado tf-nightly. Consulte estas tablas para conocer los requisitos de la versión anterior de TensorFlow. Para la compilación solo de CPU, use el paquete pip denominado tensorflow-cpu. Aquí están las versiones rápidas de los comandos de instalación. Desplácese hacia abajo para ver las instrucciones paso a paso. IIMAGEN 1.
Controladores de GPU NVIDIA® versión 450.80.02 o superior. Kit de herramientas CUDA® 11.. SDK de cuDNN 8.6.. (Opcional) TensorRT para mejorar la latencia y el rendimiento de la inferencia. Instrucciones paso a paso
- Requisitos del sistema Ubuntu 16.04 o superior (64 bits) TensorFlow solo es compatible oficialmente con Ubuntu. Sin embargo, las siguientes instrucciones también pueden funcionar para otras distribuciones de Linux. +Nota: A partir de TensorFlow 2.10 , las compilaciones de CPU de Linux para procesadores Aarch64/ARM64 son creadas, mantenidas, probadas y lanzadas por un tercero: AWS. Al instalar el paquete tensorflow en una máquina ARM, se instala el paquete tensorflow-cpu-aws de AWS. Se proporcionan tal cual. Tensorflow hará todos los esfuerzos razonables para mantener la disponibilidad e integridad de este paquete de pips. Puede haber retrasos si el tercero no libera el paquete de pip. Consulte esta publicación de blog para obtener más información sobre esta colaboración.
- Configuración de la GPU Puede omitir esta sección si solo ejecuta TensorFlow en la CPU. Instale el controlador de GPU NVIDIA si no lo tiene. Puede utilizar el siguiente comando para verificar que esté instalado.
- Instale TensorFlow IIMAGEN 2.
TensorFlow requiere una versión reciente de pip, así que actualice su instalación de pip para asegurarse de estar ejecutando la última versión. Luego, instale TensorFlow con pip.
- Verificar la instalación Verifique la configuración de la CPU:
IMÁGENES 1,2.3,4 y 5 ¿CÓMO INSTALAR TENSORFLOW? REFERENCIA EN LA PAGINA WEB: Instalar TensorFlow con pip Si se devuelve un tensor, ha instalado TensorFlow correctamente. Verifique la configuración de la GPU: IIMAGEN 4. IMAGEN 5. IIMAGEN 3.
Imagen 2, Es una captura del ChatGpt
¿ Qué hacer tener TensorFlow en nuestros dispositivos?
Hay que hacer estos pasos:
- Importar TensorFlow Después de la instalación, lo primero que debes hacer es importar TensorFlow en tu código.
- Crear un Modelo Simple Vamos a crear un modelo simple de regresión lineal como ejemplo. IIMAGEN 8. ¿CÓMO INSTALAR TENSORFLOW? REFERENCIA EN LA PAGINA WEB: Instalar TensorFlow con pip Imagen 1, es una captura del chatGpt
En TensorFlow, los modelos se construyen utilizando capas (tf.keras.layers). Aquí tienes un ejemplo básico: En este ejemplo, estamos creando un modelo simple de una sola capa (Dense) con una neurona, usando la regresión lineal para aprender la relación entre xs e ys.
Conceptos Básicos
Tensors : Son los bloques básicos en TensorFlow. Representan datos en forma de matrices multidimensionales. Modelos : En TensorFlow, los modelos son la base para el aprendizaje automático. Puedes construir modelos secuenciales o modelos más complejos utilizando la API funcional. Capas : Las capas (layers) son las unidades fundamentales que componen los modelos. Pueden ser densas, convolucionales, recurrentes, entre otras. Optimización : Los optimizadores (optimizers) ajustan los pesos del modelo para minimizar la función de pérdida (loss). Entrenamiento : Es el proceso en el cual el modelo aprende a partir de los datos mediante la actualización iterativa de los pesos. Nota: Puedes descargar códigos en la página web en tensorflow o crear uno con la inteligencia artificial.
Un ejemplo práctico en arquitectura con ChatGpt
Como tal hacer códigos es muy complejo al momento de crearlos y configurarlos en máquinas o en páginas web, para esto vamos a utilizar la IA que es ChatGPT. Para acceder buscan en Google y escribir “ChatGpt” y te arroja la página. Abajo se coloca lo que quieres buscar, pero preguntas muy concretas y especificas y para que pueda arrojar datos. Esta aplicación contiene códigos que se crearon con Machine Learning, pero como tal los programadores utilizan varias herramientas para codificar y crear estos
Distribución de espacios interiores (habitaciones, oficinas, etc.). Mediciones de luz natural en diferentes partes del edificio. Al tener claro esto necesitamos crear el modelo, para eso le pides a ChatCPT que crea una preparación del Modelo. Como primer paso: Importar TensorFlow y Librerías Necesarias (con este código) Paso 2: Preparar Datos de Entrenamiento Supongamos que tienes un dataset que incluye la orientación del edificio, la posición del sol, y las mediciones de luz natural en diferentes habitaciones. Paso 3: Definir y Compilar el Modelo Imagen 2, del subtema: Un ejemplo práctico en arquitectura con Chat Gpt Es una captura del ChatGpt (Paso 1) Imagen 3, del subtema: Un ejemplo práctico en arquitectura con Chat Gpt Es una captura del ChatGpt (Paso 2)
Imagen 4, del subtema: Un ejemplo práctico en arquitectura con Chat Gpt Es una captura del ChatGpt (Paso 3) Imagen 5, del subtema: Un ejemplo práctico en arquitectura con Chat Gpt Es una captura del ChatGpt (Paso 4) El modelo será una red neuronal simple que intentará predecir la cantidad de luz natural basada en la orientación del edificio, la posición del sol, y el tamaño de las ventanas. Paso 4: Entrenar el Modelo Ahora, entrenamos el modelo con los datos disponibles. Una vez que el modelo esté entrenado, puedes usarlo para probar diferentes configuraciones y encontrar la que maximiza la luz natural. Paso 5: Predicción Podrías probar diferentes combinaciones de orientación, posición del sol, y tamaño de ventanas para ver cuál maximiza la luz natural.
Imagen 2, del subtema: Un ejemplo práctico con la página TensorFlowt Imagen 3, del subtema: Un ejemplo práctico con la página TensorFlowt Ahí mismo te da una guía de cómo hacerlos. Al darle click te lleva una página de cómo hacerlo cada paso un código que se quiera obtener.
También hay pruebas de como crearon las páginas web, con esos códigos, así como rastrear el movimiento de nuestra cara para eso se van aquí: https://www.tensorflow.org/js?hl=es-419 de ahí le dan abajo y te dan varias obciones de como crear los modelos de acuerdo a sus objetivos. Aquí le doy en esta parte clic, para ver las demostraciones que puede hacer TensorFlow. Aquí muestra como funciona y abajo son guías de cómo utilizarlo. Más abajo encontramos las demostraciones: Imagen 4, del subtema: Un ejemplo práctico con la página TensorFlowt Imagen 5, del subtema: Un ejemplo práctico con la página TensorFlowt
Imagen 8, del subtema: Un ejemplo práctico con la página TensorFlowt Imagen 9, del subtema: Un ejemplo práctico con la página TensorFlowt Te dice que enciendas la cámara para detectar los movimientos: En esta página detecta los movimientos y puedes jugar con ello y como puedes guardarlo. Esta aplicación es muy útil, ya que te enseña cómo crear cada código que ocupas, pero si es muy tardado, pero tiene guías de como puedes hacer cada código. En este trabajo se realizo pues dos formas de hacer los códigos y como nos brinda datos útiles para nuestras necesidades. Como hacerlo en ChatGpt para hacerlo más fácil y rápido y la otra es donde nos brinda la aplicación y eso dependerá mucho en lo que ocupes o si te quieres volver experto, como consejo hacer un curso que brinde TensorFlow. Pero eso si es recomendado saber, que códigos son compatibles con páginas web, dispositivos o aplicaciones. Dependerá mucho los objetivos de cada uno.
Google Colab
Ahora bien, tenemos una aplicación que es más fácil y que pueda ser más compatible y accesible para todos que es Google Colab. Para acceder hacemos estos pasos Paso 1. Acceder a Google Colab
