1
00:00:01,840 --> 00:00:24,210
bienvenidos a esta píldora tecnológica en el que seguimos repasando los conceptos de inteligencia

2
00:00:24,210 --> 00:00:29,969
artificial y machine learning unidos a la programación en scratch vamos a crear nuestro

3
00:00:29,969 --> 00:00:34,270
primer modelo de inteligencia artificial y lo vamos a alimentar con datos nuestro objetivo

4
00:00:34,270 --> 00:00:41,570
será crear un modelo que nos identifique si unas imágenes concretas se representan gatos o si lo

5
00:00:41,570 --> 00:00:45,890
que hay son perros y para ello he preparado aquí una serie de imágenes que vamos a utilizar para

6
00:00:45,890 --> 00:00:50,649
alimentar nuestro sistema de inteligencia artificial. El programa que vamos a arrancar

7
00:00:50,649 --> 00:00:57,149
es Chitna ML, como ya hemos visto, es nuestro entorno que vamos a utilizar para modelos de

8
00:00:57,149 --> 00:01:03,590
inteligencia artificial y luego poderlos programar desde Scratch. Nos sale el error por no tener la

9
00:01:03,590 --> 00:01:08,590
placa Chitna, nos da igual porque no la vamos a utilizar y abrimos Learning ML. Cambiamos el

10
00:01:08,590 --> 00:01:17,150
idioma a español. Y una vez que tenemos nuestro Learning ML en español, vamos a decirle que queremos crear un modelo basado en imágenes.

11
00:01:18,469 --> 00:01:26,750
Aquí vemos los tres pasos que tenemos que cubrir, que son el entrenamiento, el aprendizaje y luego las pruebas. Así pues, vamos a entrenarlo.

12
00:01:27,450 --> 00:01:35,870
Para ello tenemos que crear las categorías de nuestras imágenes, en este caso categoría gato, será donde vamos a meter los gatos, y una nueva

13
00:01:35,870 --> 00:01:40,209
categoría que será la categoría perro donde vamos a meter los perros. Es importante tenerlos

14
00:01:40,209 --> 00:01:45,689
categorizados porque en base a esto se da que el conocimiento se construya. En los perros vamos a

15
00:01:45,689 --> 00:01:53,049
ir a nuestro modelo y vamos a meterle unas cuantas imágenes de perros. Abrimos y aquí tenemos ya

16
00:01:53,049 --> 00:01:59,370
cargadas nuestras 18 imágenes de perritos. Vamos a alimentar la categoría de gatos. Evidentemente

17
00:01:59,370 --> 00:02:05,349
los datos hay que prepararlos previamente para tener nuestros modelos perfectamente entrenados

18
00:02:05,349 --> 00:02:15,330
con datos suficientes. Aquí tenemos 19 gatitos. Una vez que tenemos las categorías creadas y los datos introducidos vamos a pedirle a LearningML

19
00:02:15,330 --> 00:02:23,270
que aprenda. Para ello pulsaremos en la opción 2 y va a aprender a partir de los datos. Ya aprendió y ya podemos usar el modelo.

20
00:02:23,969 --> 00:02:31,289
Vemos que es relativamente rápido porque los datos son pocos y ahora vamos a probarlo. Bien, pues ahora lo que podemos hacer es o a través de la webcam

21
00:02:31,289 --> 00:02:45,370
o a través de una imagen que yo suba de mi directorio, podemos probar el modelo. Vamos a subirle, por ejemplo, una imagen de un gatito y nos dice que es un gato al 99,71%.

22
00:02:45,370 --> 00:02:55,469
Parece correcto. Vamos a ver ahora qué ocurre si yo meto una imagen de un perro. Me voy a pruebas y meto la imagen de un perro, por ejemplo, esta.

23
00:02:55,469 --> 00:03:04,169
Ahora seleccionamos esta imagen y nos dice que es un perro al 99,98%. Parece que está funcionando correctamente, que el modelo está bien entrenado.

24
00:03:04,889 --> 00:03:13,810
Así pues, esto es el procedimiento que vamos a utilizar para entrenar, aprender y probar un modelo de inteligencia artificial con LearningML.

25
00:03:14,229 --> 00:03:22,770
En la siguiente píldora vamos a ver que realmente este modelo tiene fallos, está con algún sesgo y además vamos a ver cómo podemos exportar este modelo

26
00:03:22,770 --> 00:03:28,030
a un archivo para poderlo guardar y recogerlo en el futuro sin tener que volver a entrenarlo.

27
00:03:28,849 --> 00:03:30,409
Así pues, nos vemos en el próximo vídeo.