Please enable JavaScript.
Coggle requires JavaScript to display documents.
IMPLEMENTACIÓN DE MODELOS, via46 Valeria Yutsil Ruiz Tejeda - Coggle…
IMPLEMENTACIÓN DE MODELOS
IMPLEMENTACIÓN
En caso del aprendizaje supervisado, damos una entrada y salida. Salida llama PREDICCIÓN sin valores continuos o clases
Ejemplo caso empresarial. Generar imagenes de entrada, se introducen y procesan de la misma manera que las img fueron procesadas durante la ing de caracterpisticas para modelo
Extraen imagenes de entrada, pasan modelo y da predicción
En el no supervisado, la salida es GRUPO O CLUSTER
Modelos no se cambian hasta que la precisión comienza a caer o hasta que se espera que reentrenamiento con el nuevo conj datos
Miles de imágenes de entrada por segundo. Escala en función al volumen de entrada y carga de procesamiento
FORMAS
Modelo Incrustado
Renocimiento facial, IoT no adecuado para app empresarial desde el volumne de datos es grande, si es más grande se debe reconstruir todo el código
Los artefactos del modelo se usan como dependencia en el código de app de consumidor. Es una biblioteca interna.
Modelo implementado
Servicio ind: Ajusta a un servicio. Actualiza el modelo sin afectar otras apps
Código QR
Servicio RESTful con TCP/IP Escalabilidad y equilibrio de carga pero con latencia
Modelo implementado para el procesamiento distribuido
Modelo escalable, los datos se almacenan distribuidos que pueden acceder a todos los nodos de un cluster.
Hadoop Distributed File System (HDFS), Amazon S3, Google Cloud Storage
Ejemplo con TensorFlow
Entrenamiento con imagenes de 28 x 28 pixeles
Reconocer 10 categorias de prendas
Imagenes de prendas de vestir, las reconocemos por sus características y se clasifican
Problema ahora como identificar imagenes tamaño real
Se entrena el modelo
Link de video
via46 Valeria Yutsil Ruiz Tejeda