Ediciones ENI Editorial | líder en informática
Machine Learning for Kids
Introducción
Machine Learning for Kids (MLFK) es una plataforma desarrollada por Dale Lane para introducir a los niños en el aprendizaje automático. De uso gratuito, MLFK permite entrenar modelos basados en texto, imágenes, números y sonidos. Dispone de varios lenguajes de programación: Scratch, Python y App Inventor.
Para ello, MLFK utiliza las interfaces de programación de aplicaciones (API) de Watson desarrolladas por IBM.
Presentación
1. Un poco de vocabulario
Machine Learning y Deep Learning son términos que se utilizan cuando se habla de inteligencia artificial (también conocida por sus siglas IA). Pero ¿qué significan estos términos?
La inteligencia artificial se refiere a la capacidad de una máquina, o programa informático, para realizar tareas propias de la inteligencia humana (comprensión, reconocimiento, aprendizaje, resolución de problemas, etc.).
Diversas técnicas, como el aprendizaje automático y el aprendizaje profundo, se utilizan para que las máquinas puedan imitar una forma real de inteligencia. La inteligencia artificial debe ser capaz de aprender, adaptarse y modificar su comportamiento.
El aprendizaje automático es un campo de la inteligencia artificial. Consiste en «entrenar» máquinas proporcionándoles datos que les permitan aprender y desarrollar sus propios modelos de inteligencia. Cualquier creación de IA debe pasar primero por la fase de aprendizaje.
Los algoritmos de aprendizaje automático tratan de relacionar o predecir una serie de datos. El objetivo es mejorar el rendimiento de aprendizaje de la máquina a lo largo del tiempo.
El aprendizaje profundo es un subcampo del aprendizaje automático basado en el uso de redes neuronales profundas.
2. Machine Learning for Kids
MLFK es gratuito y se ejecuta en un navegador...
Reconocimiento de imágenes
MLFK ofrece la posibilidad de realizar proyectos de aprendizaje automático basados en texto, imágenes, números o sonidos. Veremos cómo crear un modelo de reconocimiento de imágenes y utilizarlo con la webcam en particular .
En la página Proyecto (accesible
seleccionando 
o el menú Proyecto), seleccione Añadir un nuevo proyecto.
En la página de creación, introduzca el nombre del proyecto y el tipo de Reconocimiento utilizado.
Cualquier programa basado en Machine Learning consta de tres etapas:
-
Entrenar: es decir, creación de la base de datos.
-
Aprender & probar: la máquina utiliza los datos para construir un modelo.
-
Crea: crear un programa que utilice el modelo desarrollado.
1. Entrenar el modelo
Esta primera etapa consiste en alimentar la máquina con datos. Los datos se clasifican en categorías, llamadas etiquetas en MLFK.
Por ejemplo, para entrenar a la máquina a distinguir entre un robot y un humano, hay que crear dos categorías (etiquetas): la etiqueta Robots y la etiqueta Humanos. El número de etiquetas depende del proyecto.
Para crear etiquetas:
Seleccione Añadir etiqueta.
Se abre la ventana de creación.
Dé un nombre explícito a esta etiqueta para poder utilizarla fácilmente en su programa.
Los nombres de las etiquetas se utilizarán para los bloques de aprendizaje automático generados en...
Reconocimiento de sonidos
Las etapas de creación de un modelo basado en el reconocimiento de sonidos son idénticas a las de creación de un modelo basado en el reconocimiento de imágenes.
Cree el proyecto dándole un nombre y especificando el tipo de reconocimiento.
1. Entrenar el modelo
Por defecto, ya existe una etiqueta para la unidad. Su nombre es background noise.
Un modelo basado en el reconocimiento de sonidos requiere una grabación del entorno sonoro en el que se utilizará el proyecto. Esta grabación se utiliza para eliminar el ruido no deseado de las muestras.
Para grabar:
Haga clic en Añade un ejemplo.
Aparece una ventana para autorizar el uso del micrófono del ordenador.
Haga clic en el icono del micrófono.
Cuando haya terminado de grabar, seleccione AGREGAR.
Una vez añadidas las muestras de ruido de fondo, cree las distintas etiquetas necesarias para el proyecto y registre los datos.
El proyecto Controles de sonido requiere la creación de otras cuatro etiquetas, cada una con diez grabaciones.
-
Adelante: se graba la palabra «adelante».
-
Retroceder: se graba la palabra «retroceder».
-
Izquierda: se graban los términos «izquierda», «ir a la izquierda» y «a la izquierda».
-
Derecha: se graban los términos «derecha», «ir a la derecha» y «a la derecha»....
Modelos y modelos pre-entrenados
Machine Learning for Kids ofrece dos tipos de modelos de aprendizaje para utilizar en sus proyectos.
Los modelos accesibles desde el menú Proyectos pueden modificarse antes de ser entrenados.
Los modelos accesibles en el menú Pre-entrenados ya están entrenados. Están integrados en la biblioteca de extensiones de Scratch, y sus datos no son accesibles ni modificables.
1. Utilización de modelos
Al crear un proyecto, es posible utilizar plantillas para las que ya se han creado etiquetas y datos. Las plantillas de aprendizaje que se ofrecen se basan en imágenes, números o texto.
Como en los ejemplos anteriores, para utilizar estos modelos hay que pasar por las tres etapas: Entrenar, Aprender & Probar y Crea.
En la página de inicio, abra el menú Proyectos o haga clic en 
.
Seleccione Copiar plantilla.
Aunque en la página de MLKF aparece el botón Copiar plantilla, en realidad es una traducción inexacta para Copiar modelo.
Se abre la biblioteca de modelos.
Seleccione el modelo que desee; por ejemplo, el modelo Imágenes de Pokémon.
Confirme haciendo clic en Importador.
Antes de poder entrenar, probar y utilizar este modelo, es necesario importarlo.
Marque la casilla ¿Quieres utilizar una parte de los données à des fins de test? (es decir: si desea utilizar una parte de los datos con fines...
Conclusión
Fácil de usar y repleto de ejemplos y extensiones, Machine Learning for Kids es una herramienta ideal para aprender sobre inteligencia artificial. El aprendizaje automático es un paso esencial para entender este campo, cada vez más presente en nuestra vida cotidiana y que ahora se utiliza mucho (e inevitablemente) gracias a herramientas tan populares como ChatGPT.