UNIVERSIDAD POLITÉCNICA ESTATAL DEL CARCHI

FACULTAD DE INDUSTRIAS AGROPECUARIAS Y CIENCIAS AMBIENTALES

CARRERA DE COMPUTACIÓN

1. Datos informativos

1.1. Nombres: Cristopher Rosero

1.2. Módulo: Administración de Base de Datos
1.3. Nivel: 5to “A-M”
1.4. Fecha: 03/08/2021
1.5. Tema: “Congreso de Tecnologías "Terasoft.ec 2021"”

2. Objetivo

• Realizar un informe sobre las conferencias impartidas en el congreso de Tecnologías

Terasoft.ec

3. Contenido

A BOTANEAR CON CUSTOM VISION POR ELIZABETH LUCAS

Custom Vision Service es un servicio de Azure Cognitive Services que permite personalizar
modelos de visión artificial para adaptarlos a nuestro caso particular.

Con este servicio nos resultará muy fácil y rápido crear, implementar y mejorar un clasificador
de imágenes. Custom Vision Service cuenta con una API REST y una interfaz web que permite
cargar imágenes y entrenar el clasificador.
Funcionamiento

Custom Vision usa un algoritmo de aprendizaje automático para analizar las imágenes. El
desarrollador debe enviar los grupos de imágenes que presenten y carezcan de las
características en cuestión. Las imágenes las etiqueta el propio usuario en el momento del
envío. Luego, el algoritmo se entrena con estos datos y calcula su propia precisión probándose
a sí mismo en esas mismas imágenes. Una vez que el algoritmo se ha entrenado, puede
probarlo, volver a entrenarlo y, por último, usarlo en la aplicación de reconocimiento de
imágenes para clasificar imágenes nuevas.

Custom Vision se divide en dos categorías de reconocimiento la primera por etiquetas y la

segunda es por coordenadas de las imágenes.

Entrenamiento de modelos

Desde nuestro navegador web nos dirigimos a la siguiente dirección

https://www.customvision.ai/projects

En la página principal de Custom Vision procedemos a iniciar sesión con nuestra cuenta de
Microsoft.
Seleccionamos la cuenta con la que iniciaremos sección

Una vez que iniciemos sección procedemos a crear un nuevo proyecto.

Elegimos las imágenes que van a ser etiquetadas

Elegimos las imágenes las cuales no van a ser etiquetadas y son diferentes al grupo de imágenes
que deseamos reconocer.
Resultados del entrenamiento

Rendimiento del entrenamiento

INTRODUCCIÓN A REDES NEURONALES CON PYTHON Y TENSOR FLOW POR
HÉCTOR CAMBEROS

Una red neuronal es un fenómeno emergente que sucede al momento de que muchos pequeños
fenómenos ocurren al mismo tiempo, cuando muchas partes pequeñas interactúan entre ellas
en este caso son las neuronas, las neuronas de una red neural interactúan todas entre sí para
lograr dar un resultado final que es adaptable a diferentes situaciones por ejemplo nosotros
podemos hacer una red neuronal para poder reconocer imágenes. Las redes neuronales tienen
muchísimas aplicaciones un ejemplo muy famoso de redes neuronales que hay ahora es Tesla
ya que tiene redes neuronales para poder manejar sus vehículos y gracias a esa flexibilidad que
tienen las redes neuronales es que es la familia de algoritmos para Machine Learning más
populares que hay ahora.
Las redes neuronales solo pueden ser aplicadas para el contexto para el que fueron diseñadas
por ejemplo no podemos utilizar una red neuronal que clasifique imágenes para que clasifique
música.
Las neuronas son la base desde la que se construye una red neuronal, es por eso que una sola
neurona no funciona, es el conjunto e interacción entre ellas que hacen que la red neuronal
funcione. Para el funcionamiento de una red neuronal es necesario la división en capas.

Capa de entrada: Es la encargada de recibir los datos con los que se va a trabajar en la red
neuronal. Es similar a una función en programación ya que recibe parámetros de entrada.
Capas ocultas: Procesan los datos que fueron ingresados en la capa de entrada.
Capa de salida: Entrega el resultado de lo que fue procesado en las capas ocultas.

Una neurona básicamente es un objeto que recibe una entrada con la que realiza cálculos
matemáticos y retorna una salida.
Ejercicio básico de red neuronal para convertir grados Fahrenheit a grados Celsius.

Grafica de aprendizaje con dos capas

Grafica de aprendizaje con cuatro capas.

4. Conclusiones

• Custom Vision es muy útil poder crear aplicaciones personalizadas mediante API
REST porque ello hace que el servicio pueda implementarse en cualquier máquina o
dispositivo que se desee.

• Cuando utilizamos una red neuronal para la solución de algún problema es necesario
tener un amplio conocimiento sobre el tema, pues esto nos facilitará la elección de los
patrones de entrenamiento y su arquitectura, así se mejorará el rendimiento de la misma.