Primeros pasos con Pytorch usando Colab Part VII

En este artículo hablaré de Pytorch, Regresión Lineal poder entender como funciona usando “Google Colab” como interface de desarrollo.

ÁLGEBRA LINEAL

Es una forma de matemática continua en lugar de discreta, muchos científicos informáticos tienen poca experiencia con ella. Una buena comprensión del álgebra lineal es esencial para entender y trabajar con muchos algoritmos de aprendizaje automático, especialmente los algoritmos de aprendizaje profundo.

fuente(https://bit.ly/2GOExZE)

REGRESIÓN LINEAl

La regresión lineal requiere un modelo lineal.
Un modelo es lineal cuando cada término es una constante o el producto de un parámetro y una variable predictiva .
Se construye una ecuación lineal sumando los resultados para cada término. Esto limita la ecuación a solo una forma básica

Respuesta = constante + parámetro * predictor + … + parámetro * predictor

En estadística, una ecuación de regresión (o función) es lineal cuando es lineal en los parámetros. Si bien la ecuación debe ser lineal en los parámetros, puede transformar las variables predictoras de manera que produzcan curvatura.
Por ejemplo, puede incluir una variable cuadrada para producir una curva en forma de U.

función lineal aunque la curva debe ser recta

¿Qué es Google Colab?

Colaboratory es un entorno gratuito de Jupyter Notebook que no requiere configuración y que se ejecuta completamente en la nube.

ejemplo:

Google Colaboratory

Kaggle Dataset

Boston Housing

Instalación Colab

Importar librerías

Parámetros

Load Dataset

Standarización

Regresión Lineal

Perdida y Optimización

Función entrenamiento

Función prueba

Train modelo

Visualización

CONCLUSIÓN

Espero les haya gustado este artículo de Pytorch y Colab y el uso de regresión lineales usando pytorch se ve como converge la información con los datos.3

Esto ayuda sorprendente mente en la experimentación rápida con los datos.
A continuación estaré publicando algunos artículos más específicos para PyTorch hasta crear pequeñas aplicaciones , así como jugar con la imaginación de crear algo.

Continuar leyendo

pytorch Part 6( aquí)

pytorch Part 8( aquí)

REFERENCIAS

1. https://developers.google.com/machine-learning/crash-course/multi-class-neural-networks/softmax?hl=es-419
2. https://documen.tician.de/pycuda/
3. https://www.joyk.com/dig/detail/74093l
4. https://www.aiworkbox.com/lessons/cast-a-pytorch-tensor-to-another-type
5. https://pytorch.org/blog/a-year-in/
6. https://openreview.net/pdf?id=BJJsrmfCZ
7. https://deepsense.ai/keras-or-pytorch/

linkedin:

Jonathan Quiza | LinkedIn

Gracias