Metodologías Agile. El tablero Kanban

Dentro de las metodologías ‘agile’, la gestión de proyectos con herramientas visuales suprime reuniones innecesarias 

y facilita la eliminación de cuellos de botella para agilizar las tareas.

Bajo las premisas de este tipo de modelos de gestión empresarial, los equipos multidisciplinares, con autonomía

para organizarse y capacidad de ejecución, se convierten en la base de las organizaciones. Esta forma de trabajar ayuda a garantizar la entrega constante de resultados y soluciones en tiempos más cortos.

Curso de keras: Conjuntos de datos (datasets) para redes neuronales

Una red neuronal de aprendizaje profundo depende de los datos. La información a la que se hace referencia es tan importante como la forma en que la red neuronal la difunde.

Un conjunto de datos contiene hechos e información recopilados con la intención de usarlo como referencia o análisis. Las redes neuronales pueden utilizar imágenes, texto o números como entrada. Y esta entrada es lo que la red neuronal utiliza para aprender y hacer predicciones.

Los conjuntos de datos provienen de muchas fuentes. Las empresas a menudo generan datos internamente a través de aplicaciones o ingreso manual de datos para su uso en redes neuronales para realizar predicciones o análisis. Algunos gobiernos e instituciones de investigación publican conjuntos de datos para el consumo público.

Keras tiene numerosos conjuntos de datos disponibles en Internet creados por los desarrolladores o entidades externas y estructurado para ser compatible. Están disponibles gratuitamente para pruebas y planificación.

Más fotos como esta.

Curso de Keras: Clasificacion por regresión

La regresión es un algoritmo supervisado de aprendizaje automático que genera un resultado previsto que es continuo en lugar de discreto. Eso significa que puede ser un número entero o un rango de datos, como puede ser el número de ventas durante un período de tiempo, en lugar de un elemento absoluto, como puede ser decir si hay un gato en una foto o no. 

Hay dos tipos principales de regresión. simple y multivariable. La regresión lineal simple utiliza conjuntos de datos donde hay dos características o columnas que tienen datos numéricos relacionados. Como por ejemplo el número de ventas de una compañía en una columna y la temperatura en la otra. El resultado de la predicción es una estimación de las ventas en relación con la temperatura en ese momento. Podría ser que a medida que baja la temperatura, las ventas aumenten. (por ejemplo las ventas de abrigos en unos grandes almacenes)

Nota de Tensorflow. Si en vez de anaconda o CNTK  queremos trabajar con Tensorflow-colaboratory y tenemos problemas con las versiones: #Para determinar que versión de tensor flow estamos utilizando: !pip show tensorflow #Para ver la versión actual de tensorflow: !pip install -–upgrade tensorflow # Para ejecutar una versión específica: !pip install tensorflow==2.0

Fotos similares a esta.

Curso de Keras: Configurar Keras

Keras es un interfaz de programación de aplicaciones de alto nivel, o API, que se ejecuta sobre un back-end de bajo nivel para crear redes neuronales profundas. Podemos utilizar TensorFlow, Microsoft Cognitive Tool Kit o Theano para el back-end. Keras está escrito e interactúa con Python. Suponiendo que tengamos un entorno Python configurado, y que Microsoft Cognitive Toolkit esté instalado, ahora estamos listos para instalar Keras. Abrimos el editor de comandos de Anaconda y escribimos el comando: pip install keras

Curso de Keras: Introducción a Keras

Keras es una interfaz de programación de aplicaciones de alto nivel, o API, que se ejecuta sobre un backend de bajo nivel para crear redes neuronales profundas. Está escrito e interactúa con Python y puede utilizar TensorFlow, Microsoft Cognitive Toolkit o Theano. Al  estar escrito en Python permite tener un alto grado de portabilidad en diferentes sistemas operativos, facilidad de uso y facilita la creación de prototipos a través de los muchos módulos disponibles para la manipulación de datos disponibles para Python. Además, Keras puede ejecutarse en una CPU o una GPU (unidad de procesamiento gráfico), para el procesamiento de la carga de trabajo. También tiene soporte incorporado para el paralelismo de datos de múltiples GPU.

Más fotos como esta aquí

Introducción a las redes neuronales

En esta serie de artículos vamos a hacer una introducción al aprendizaje profundo con Keras, y vamos a crear y utilizar redes neuronales con Keras.

El aprendizaje profundo hace uso de clústeres informáticos y GPU potentes, y permite arquitecturas de redes neuronales más complejas.

Keras es una biblioteca para redes neuronales de Python que podemos usar para crear una variedad de modelos de aprendizaje, y se puede usar con Theano y Tensorflow.

Veremos cómo crear y utilizar redes neuronales con Keras. Específicamente, examinaremos qué son las redes neuronales, cómo configurar y utilizar Keras para construir redes. Utilizaremos Jupyter Notebooks para crear conjuntos de datos y construir redes neuronales con Keras.

Redes neuronales

Las redes neuronales artificiales, o ANN, son una serie de algoritmos que se calculan en un enfoque estructurado en capas y se utilizan para reconocer patrones.

El término neuronal se refiere a las ANN que se modelan para imitar el cerebro humano.  Cada nodo se denomina neurona y acepta una o más entradas, se procesa y produce una salida sumada. Una red neuronal artificial puede estar compuesta por muchas neuronas en múltiples capas. Las entradas suelen ser elementos que se clasifican en forma de eje x que son los datos de entrada, y el eje y es la salida esperada. La función de la red neuronal es establecer mediante aprendizaje un mapeo de pesos establecidos inicialmente de forma aleatoria y que se va ajustando con cada nueva entrada, con cada  nueva entrada, predice una etiqueta de salida. La diferencia entre la salida dada y la salida ideal es la función de pérdida, que se utiliza para reajustar los pesos de cada neurona, de modo que con cada nueva entrada la diferencia entre la salida real y la  esperada sean menores hasta que en un momento dado, la red acierte el mayor número posible de veces. 

Esquema de una red neuronal artificial