Blog

El paso 6 de Junio de 2018, Juan Carlos Gonzalez-Avella miembro del Departamento de Data Science de APSL ha publicado un articulo científico titulado Coordination in a skeptical two-group population” en la revista  Journal of Economic Interaction and Coordination (link: https://link.springer.com/article/10.1007%2Fs11403-018-0223-x)  y en colaboración con científicos del grupo de Dynamics and Collective Phenomena in Social and Socio-technical Systems del Instituto de Física Intersdisciplinar y Sistemas Complejos  (IFISC) adjunto a la Universidad de las Islas Baleares, y el Instituto Complutense de Análisis Económico (ICAE) de la Universidad Complutense de Madrid.

Los pasados días 23 y 24 de abril APSL ha tenido el placer de participar en la segunda edición del Smart Island World Congress, una gran iniciativa que coloca a Mallorca en el epicentro del debate sobre la gestión inteligente de ciudades y territorios insulares.

En este tutorial vamos a  mostrar cómo utilizar otra de las API para TensorFlow llamada Keras para la construcción de redes neuronales. 

En éste  tutorial  seguimos con la  implementación de Redes Neuronales Convolucionales para el reconocimiento de imágenes usando en el Tutorial I. Al igual que en el Tutorial III, implementar redes neuronales usando la API Prettytensor que nos permite usar sintaxis mucho más simple que una implementación directa en TensorFlow native . Pero en esta ocasión,  aprenderemos como guardar el valor de las variables de la red neuronal siempre que su precisión de clasificación durante el entrenamiento  haya mejorado. Luego, aprenderemos  a cargar las variables que obtuvieron mejores resultados en el conjunto de validación.

En éste  tutorial se muestra como implementar la Red Neuronal Convolucional para el reconocimiento de imágenes usando en el Tutorial I, pero en éste caso usaremos la API Layeres (tf.layers).  Al igual que en el Tutorial III, implementar redes neuronales usando esta API nos permite usar sintaxis mucho más simple que una implementación directa en TensorFlow. Hace que el código sea mucho más corto y fácil de entender, y por tanto cometer menos errores.