1
00:00:03,759 --> 00:00:33,679
Bien, bienvenidos a todos al curso la inteligencia artificial a tu alcance y ideas prácticas para el aula y en esta ocasión como hemos estado viendo en el curso pues vamos a utilizar una máquina de aprendizaje, vamos a entrenar con una máquina de aprendizaje y obtener un modelo de aprendizaje y en este caso pues para este ejemplo vamos a entrenar una máquina de aprendizaje que sea capaz o que sirva para un coche autónomo decidir si el vehículo tiene que detenerse en función de las características del tráfico,

2
00:00:33,759 --> 00:00:43,820
debe de frenar o debe continuar su camino. Entonces, bueno, pues una vez que abrimos la herramienta, ya sea en la versión instalable o en la versión web,

3
00:00:44,259 --> 00:00:57,539
lo que hacemos en este caso es nombrar nuestro archivo, que en este caso va a ser coche autónomo, y vamos a, en este caso, utilizar la opción de reconocimiento de imágenes.

4
00:00:57,539 --> 00:01:02,780
lógicamente como tenemos que decidir qué tiene que hacer el vehículo pues en este caso vamos a

5
00:01:02,780 --> 00:01:10,439
establecer las tres categorías o tres etiquetas por donde vamos a clasificar las diferentes

6
00:01:10,439 --> 00:01:16,219
imágenes en este caso pues por ejemplo vamos a establecer que el vehículo debería debería

7
00:01:16,219 --> 00:01:24,480
detenerse por lo tanto de tener en serie vamos a poner los vehículos y en esta categoría pues

8
00:01:24,480 --> 00:01:28,879
vamos a tener imágenes en las cuales el vehículo sí o sí debería de tener si vamos a tener una

9
00:01:28,879 --> 00:01:33,260
nueva una nueva clase de imágenes en este caso la clase de imágenes van a ser para para que el

10
00:01:33,260 --> 00:01:43,359
vehículo deba frenar y finalmente el vehículo pues si las condiciones del desarrollo del tráfico lo

11
00:01:43,359 --> 00:01:48,840
permite pues el vehículo podría seguir adelante por lo tanto vamos a poner que el vehículo debería

12
00:01:48,840 --> 00:01:53,659
seguir bueno pues ya tenemos nuestras categorías verdad no es de él

13
00:01:53,659 --> 00:01:59,859
el vehículo vamos a añadir en este caso las imágenes para cada una de estas de

14
00:01:59,859 --> 00:02:05,359
estas clases que ya previamente pues hemos etiquetado en primer lugar vamos a

15
00:02:05,359 --> 00:02:09,620
ir directamente a las imágenes de las cuales el vehículo debería de tenerse yo

16
00:02:09,620 --> 00:02:12,319
para eso ya he

17
00:02:12,800 --> 00:02:17,020
distribuido en este caso una serie de carpetas donde ya he cargado imágenes

18
00:02:17,020 --> 00:02:22,479
por supuesto imágenes sin derechos de autor para poder utilizarlas y en este caso pues nos vamos a

19
00:02:22,479 --> 00:02:27,759
las imágenes donde el vehículo debería detenerse y en este caso pues he elegido un poco en las

20
00:02:27,759 --> 00:02:32,919
imágenes en las cuales hubiera semáforos en rojo señales de esto peatones en la calzada o coches

21
00:02:32,919 --> 00:02:40,240
en este caso de frente pasos también de cebra con peatones circulando pasando a través del paso de

22
00:02:40,240 --> 00:02:49,500
etcétera e incluso pues alguna barrera de parking bajada bien vamos a coger todas estas imágenes y

23
00:02:49,500 --> 00:02:57,120
con estas imágenes vamos a en el máquina de aprendizaje va a aprender cuando debería de

24
00:02:57,120 --> 00:03:04,819
tener vamos entonces en este caso a la categoría de frenar y en este caso pues nos vamos donde yo

25
00:03:04,819 --> 00:03:11,060
ya tengo una serie de imágenes en la que incluido por lógicamente semáforos en ámbar advertencias

26
00:03:11,060 --> 00:03:18,800
en este caso chiles de tráfico de zonas escolares de pasos de cebra de animales etcétera bueno las

27
00:03:18,800 --> 00:03:23,419
típicas que las cuales el conductor debería tener precaución incluido también alguna de

28
00:03:23,419 --> 00:03:27,879
cuales se ha finalizado la autopista el tramo de autopista y por lo tanto hay que empezar a

29
00:03:27,879 --> 00:03:35,379
a aminorar así que cargamos todas las imágenes en este caso con marcando la primera y consigue

30
00:03:35,379 --> 00:03:40,419
marcando la última y de esta forma se cargan todas de una vez y bueno pues esperamos unos

31
00:03:40,419 --> 00:03:44,979
segundos hasta que se carguen todas ya tenemos aquí todas cargadas para frenar para detener y

32
00:03:44,979 --> 00:03:52,439
ahora nos vamos para la categoría de seguir y las cuales vamos a etiquetar todas las siguientes

33
00:03:52,439 --> 00:04:00,000
imágenes que en este caso pues hemos incluido semáforos en verde carreteras vacías vehículo

34
00:04:00,000 --> 00:04:08,520
y señales en las cuales estamos en otro día y en principio pues podríamos cargamos a las imágenes

35
00:04:08,520 --> 00:04:13,259
como digo esto es un ejemplo básico pero vamos a poder comprobar un poco la fiabilidad cuando

36
00:04:13,259 --> 00:04:20,279
la máquina empiece a aprender de los patrones en cada una de estas categorías de todos estos datos

37
00:04:20,279 --> 00:04:27,040
etiquetados. Bueno, pues vamos con la siguiente fase. Una vez que ya hemos añadido las imágenes

38
00:04:27,040 --> 00:04:32,220
correspondientes etiquetadas, ahora le vamos a decir que aprenda de estas imágenes y lo

39
00:04:32,220 --> 00:04:37,379
que va a hacer en estos segundos que va a estar buscando patrones en los cuales, por

40
00:04:37,379 --> 00:04:42,860
la categoría seguir, tengan ciertas similitudes, ciertas características, la categoría frenar,

41
00:04:42,959 --> 00:04:47,879
etc. Es decir, que la máquina de aprendizaje está intentando aprender a clasificar estas

42
00:04:47,879 --> 00:04:53,220
imágenes y encontrando como digo pues esos patrones en cada una de las categorías no

43
00:04:53,220 --> 00:04:59,620
suele demorarse mucho bueno evidentemente depende de la cantidad de datos si los datos son de gran

44
00:04:59,620 --> 00:05:05,560
cantidad pues lógicamente el tiempo de aprendizaje será mucho mayor pero bueno una vez que ya hemos

45
00:05:05,560 --> 00:05:13,660
visto que en este caso pues ya ha extraído la información y ahora nos aparece una pequeña

46
00:05:13,660 --> 00:05:19,699
animación y en este caso pues ya nos indica que ya

47
00:05:19,699 --> 00:05:23,899
el modelo de aprendizaje ya lo tenemos y ahora vamos a cargar nuevas imágenes

48
00:05:23,899 --> 00:05:28,439
lógicamente si incluyéramos ahora para probar con esta opción también podemos

49
00:05:28,439 --> 00:05:34,040
utilizar la opción de la cámara de fotos pero vamos a cargar imágenes nuevas como

50
00:05:34,040 --> 00:05:38,139
digo si tuviéramos nuevas imágenes que ya hemos utilizado en el aprendizaje

51
00:05:38,139 --> 00:05:42,720
por lo que también nos dará un 100% de confianza en la respuesta pero

52
00:05:42,720 --> 00:05:48,120
evidentemente lo interesante aquí es añadir nuevas imágenes que no hayan sido previamente utilizadas

53
00:05:48,120 --> 00:05:53,720
en este caso yo ya he preparado varias imágenes para hacer el test vamos a incluir por ejemplo

54
00:05:53,720 --> 00:06:03,899
esta de un peatón cruzando un paso de peatones y además con un vehículo al fondo bueno pues en

55
00:06:03,899 --> 00:06:08,480
teoría si el modelo es bastante fiable como nos dice pues debería de tenerse el vehículo en un

56
00:06:08,480 --> 00:06:12,920
99 por ciento bueno pues vemos que efectivamente lo ha hecho bastante bien vamos a cargar otra

57
00:06:12,920 --> 00:06:19,459
imagen en este caso de pues por ejemplo una carretera vacía y si eso es así pues debería

58
00:06:19,459 --> 00:06:25,819
identificar efectivamente que el vehículo puede seguir en un 90% vamos a cargar otra imagen

59
00:06:25,819 --> 00:06:30,139
también como digo son imágenes nuevas que no había visto antes vamos a darle por ejemplo la señal de

60
00:06:30,139 --> 00:06:36,000
stop que está de manera muy clara y debería poner dice efectivamente que en un 99% pues debería

61
00:06:36,000 --> 00:06:42,420
debería tener si vamos a poner por ejemplo el semáforo en ámbar a ver qué nos dice y según

62
00:06:42,420 --> 00:06:47,579
esto dice que deberíamos frenar efectivamente un 95 por ciento bueno pues parece que para las

63
00:06:47,579 --> 00:06:53,639
élites que teníamos puesto vamos a poner este un montón de peatones y nos dice que debería

64
00:06:53,639 --> 00:06:59,040
detenerse el vehículo en un 29,9 bueno pues parece que es bastante fiable que me queda

65
00:06:59,040 --> 00:07:04,560
alguna más bueno vamos a poner por ejemplo pues este de cartera testa por ejemplo de advertencia

66
00:07:04,560 --> 00:07:10,319
y nos va a decir que el vehículo pues tendría que frenar aquí ya no está tan seguro debería

67
00:07:10,319 --> 00:07:15,639
porque hay una carretera vacía y además una señal entonces está ahí ahí y nos dice que

68
00:07:15,639 --> 00:07:21,660
debemos frenar un 52% bueno pues está está bastante bien de acuerdo bueno pues espero

69
00:07:21,660 --> 00:07:25,240
que con esto haya quedado claro cómo se utiliza esta herramienta como vemos es una herramienta

70
00:07:25,240 --> 00:07:29,579
muy intuitiva y que podemos hacer diferentes aplicaciones que el último la última de las

71
00:07:29,579 --> 00:07:38,379
opciones, que sería la de abrir una aplicación de Scratch concreta, es una aplicación basada

72
00:07:38,379 --> 00:07:46,439
en el Scratch oficial, pero que nos genera en este caso los objetos necesarios para poder

73
00:07:46,439 --> 00:07:52,000
programar en Scratch unas aplicaciones a partir de este modelo de aprendizaje que acabamos

74
00:07:52,000 --> 00:07:56,560
de obtener y que lo tenemos en este caso con el nombre de coche autónomo. Aquí ya lo

75
00:07:56,560 --> 00:08:01,939
podríamos guardar quisiéramos perdón guardar en nuestro ordenador y

76
00:08:01,939 --> 00:08:05,139
si quisiéramos añadir nuevas imágenes pues tendríamos que cargar este nuevo

77
00:08:05,139 --> 00:08:09,699
modelo llamado mucho autónomo y añadir nuevas imágenes evidentemente en cada

78
00:08:09,699 --> 00:08:15,120
una de las categorías muchísimas gracias y continuamos