1 00:00:01,840 --> 00:00:23,300 Bienvenidos a esta píldora tecnológica donde vamos a empezar a ver nuestro entorno de Echidna Scratch 2 00:00:23,300 --> 00:00:27,539 y vamos a ir viendo las diferentes opciones que este programa nos ofrece. 3 00:00:28,239 --> 00:00:33,700 Para ello empezamos abriendo nuestro programa en el menú Programación y Robótica, Echidna ML. 4 00:00:35,039 --> 00:00:42,380 En Echidna ML vemos que lo primero nos va a arrojar un error ya que no tenemos la placa Echidna conectada. 5 00:00:42,380 --> 00:00:57,060 Esto no hay ningún problema ya que podemos seguir utilizando el programa y vemos lo primero que tenemos dos áreas importantes donde podemos seleccionar o la parte de Learning ML o la parte de programación en Scratch con Echidna Scratch. 6 00:00:57,780 --> 00:01:10,620 La parte de la derecha, la del genio, será para entrenar nuestro modelo de inteligencia artificial y la parte de la izquierda será en donde programaremos con Scratch para poder explotar ese modelo que acabamos de entrenar. 7 00:01:10,620 --> 00:01:15,019 Abrimos LearningML ya que lo primero que tenemos que hacer es crear un modelo 8 00:01:15,019 --> 00:01:19,540 Y ya vemos lo primero que arriba me va a permitir permutar entre los dos entornos 9 00:01:19,540 --> 00:01:22,480 Echidna Scratch y LearningML para poder pasar de uno a otro 10 00:01:22,480 --> 00:01:25,640 Y vamos a poder seleccionar nuestro idioma, idioma en español 11 00:01:25,640 --> 00:01:29,079 Para que todos los textos aparezcan en castellano 12 00:01:29,079 --> 00:01:32,799 Aquí en esta zona vamos a poderle poner un nombre a nuestro proyecto 13 00:01:32,799 --> 00:01:34,620 Le vamos a poner proyecto1 14 00:01:34,620 --> 00:01:44,680 y este nombre será el que luego utilizaremos si desplegamos el menú archivo para poder guardar en nuestro ordenador un archivo que tendrá extensión .json 15 00:01:44,680 --> 00:01:53,379 y será un archivo que contendrá toda la información de los datos que yo haya introducido, dejando nuestro modelo listo para ser entrenado y explotado. 16 00:01:54,060 --> 00:02:00,879 Así pues, podemos guardarlo en el ordenador o si ya tenemos uno guardado, podemos cargar desde nuestro ordenador ese archivo .json 17 00:02:00,879 --> 00:02:04,379 y me cargará todos los datos que ya tengo previamente configurados. 18 00:02:04,620 --> 00:02:09,659 además podemos hacer uno nuevo de forma que me borraría todo y empezaríamos con un modelo nuevo 19 00:02:09,659 --> 00:02:15,740 y limpio además vemos que tenemos tres áreas un área para entrenar textos un área para entrenar 20 00:02:15,740 --> 00:02:20,219 imágenes y un área para entrenar números depende del tipo de dato que yo quiera elegir uno u otro 21 00:02:20,219 --> 00:02:27,819 si seleccionamos cualquiera de ellos vamos a ir a las mismas opciones reconocer textos por ejemplo 22 00:02:27,819 --> 00:02:32,219 me lleva a entrenar aprender y probar cualquiera de las otras dos opciones que habría llevado a lo 23 00:02:32,219 --> 00:02:37,460 mismo. Y lo primero que tenemos que hacer es entrenarlo. Para entrenar un modelo lo primero 24 00:02:37,460 --> 00:02:42,680 que tenemos que hacer es definirle qué categorías podemos meterle. Eso lo vamos a hacer a través de 25 00:02:42,680 --> 00:02:48,259 etiquetas. Por lo tanto, en este caso, que yo voy a hacer un ejemplo donde quiero que los textos que 26 00:02:48,259 --> 00:02:54,580 yo meta me diga si son montañas o ríos, añadiré dos clases de textos que son una etiqueta para 27 00:02:54,580 --> 00:02:58,719 montaña y otra etiqueta para ríos. Vamos a añadir 28 00:02:58,719 --> 00:03:01,939 dos etiquetas y, perdón, río. 29 00:03:04,099 --> 00:03:07,979 Ahí estamos. Río y montaña. Y luego 30 00:03:07,979 --> 00:03:12,020 con el botón de más añadiremos frases para definir cada una de ellas de forma que 31 00:03:12,020 --> 00:03:15,819 las frases quedarán categorizadas y cuando aprendamos el sistema 32 00:03:15,819 --> 00:03:19,500 reconocerá esos patrones como pertenecientes a esa categoría. 33 00:03:19,939 --> 00:03:23,400 Si utilizamos esta etiqueta de aquí, lo que vamos a hacer es 34 00:03:23,400 --> 00:03:29,960 eliminar nuestra categoría con todo el contenido. Vamos a empezar definiendo ríos y vamos a meterle 35 00:03:29,960 --> 00:03:37,759 que un río es, por ejemplo, agua dulce que discurre por medio del campo. Me lo estoy inventando, pero bueno, 36 00:03:37,759 --> 00:03:46,020 esto podríamos meterle definiciones más formales. Vamos a añadir otra etiqueta, perdón, otra frase para río 37 00:03:46,020 --> 00:04:10,800 Y vamos a poner corriente de agua que desemboca en el mar. Perfecto. Y para montaña le vamos a decir que es un montón de tierra elevado sobre los terrenos circundantes, por ejemplo. 38 00:04:10,800 --> 00:04:20,379 y también le vamos a decir que será una elevación del terreno con forma de pico. 39 00:04:21,459 --> 00:04:25,279 Aquí he puesto terreno, lo voy a editar para poderlo poner bien. 40 00:04:25,860 --> 00:04:27,399 Terreno, perfecto, y lo ponemos ahí. 41 00:04:27,579 --> 00:04:31,339 Ya tenemos nuestras definiciones y ahora lo siguiente que hacemos es aprender. 42 00:04:32,019 --> 00:04:34,600 Seleccionamos el idioma y le damos a aprender. 43 00:04:35,060 --> 00:04:38,759 Hace un pequeño proceso de aprendizaje y me dice que ya ha aprendido y que puedo usar el modelo. 44 00:04:39,439 --> 00:04:40,160 Vamos a probarlo. 45 00:04:40,800 --> 00:04:50,100 En la parte de probar podemos meter expresiones, por ejemplo, mucha agua dulce que va a parar al mar. 46 00:04:50,379 --> 00:04:56,819 ¿Qué será esto? Pues me dice que es un río con un casi 70% de probabilidades y una montaña con un 30%. 47 00:04:56,819 --> 00:05:03,579 ¿Por qué? Porque hay patrones, sílabas y cosas dentro de esta frase que también se parecen a lo que hay en montaña. 48 00:05:03,579 --> 00:05:11,060 entonces él me dice la probabilidad con la que esta frase va a pertenecer a una de mis categorías en función de lo que él ha aprendido 49 00:05:11,060 --> 00:05:15,560 es un modelo donde solo le he metido dos frases y es fácil que no sea demasiado exacto 50 00:05:15,560 --> 00:05:23,399 si le hubiéramos metido 10 o 15 frases de cada uno de ellos seguramente el porcentaje sería mucho mayor y acertaría con mucha más probabilidad 51 00:05:23,399 --> 00:05:36,319 Ahora voy a poner otra, por ejemplo, pico de tierra elevado y este cuando le digo que es, me dice que es una montaña de 63,94%. 52 00:05:36,319 --> 00:05:44,480 Vemos que nuestro modelo está entrenado, que ha aprendido de los datos que yo le he metido y que está reconociéndome frases que no son las que yo he metido 53 00:05:44,480 --> 00:05:52,439 como pertenecientes a una categoría u otra en función de lo parecido que es y el modelo estadístico que él ha generado. 54 00:05:52,439 --> 00:06:06,480 Además me da un porcentaje de fiabilidad. Con esto tenemos nuestro modelo entrenado y lo siguiente sería pasar a Echidna Scratch a generar un programa que pueda acceder a esta información y que pueda utilizar esos resultados en un programa. 55 00:06:06,899 --> 00:06:10,199 Eso lo veremos en el siguiente vídeo. Así pues, nos vemos allí.