Profundización na IA. Curso 2024-2025.

Imos a profundizar no coñecemento e uso da IA, para o cal necesitaremos comezar a programar en Python.

En futuras entradas utilizaremos os cadernos de Google Colab para solucionar diversos problemas de adestramento automático (Machine Learning) programando en linguaxe Python.

Pero antes, imos repasar brevemente cales son os paradigmas de aprendizaxe en adestramento automático, que é Google Colab e cales son as bibliotecas de funcións matemáticas máis utilizadas (Tensor Flow, Keras, etc).

Preme na seguinte ligazón Profundización na IA.pdf, para ver ou descargar este contido.

Ademais podedes acceder a un par de páxinas que vos permitirán aprender como os diversos parámetros da rede neuronal (número de capas, número de neuronas por capa, funcións de activación, etc) afectan ao aprendizaxe supervisado.

• Machine Learning Playground.
• Playground de Tensorflow.

imos a repasar conceptos que xa vimos anteriormente, para o que podes acceder aos seguintes vídeos da canle de Dot.csv:

¿Qué es una Red Neuronal? Parte 1 : La Neurona | DotCSV

¿Qué es una Red Neuronal? Parte 2 : La Red | DotCSV

¿Qué es una Red Neuronal? Parte 3 : Backpropagation | DotCSV

¿Qué es una Red Neuronal? Parte 3.5 : Las Matemáticas de Backpropagation | DotCSV

LML_V2. Práctica 3: Recoñecer datos numéricos e sons. Curso 2024-2025.

Nesta práctica imos a utilizar de novo a páxina de Learning ML (LML) para realizar un proxecto de recoñecemento de datos numéricos.

Pero esta vez, accederemos á opción “Proba LearningLML V2” e veremos que aparecen as opcións: Numeros (Recoñecer números) e sons (Recoñecer sons), que utilizaremos nesta práctica.

Para a realización desta práctica, podes seguir as instrucións recollidas no documento: Instrucións práctica 3 LML.pdf.

Cando envíes a tarefa na aula virtual recorda que os documentos conteñan o teu nome.

Modelos de xeración de Imaxes. Curso 2024-2025.

Nesta entrada se continúa coa análise de ferramentas que usan IA, concretamente analizarás os modelos de xeración e procesado de imaxes.

Utilizarás varias ferramentas para a realización de diversas tarefas, que te permitirán analizalas e comparalas e, por último, realizarás unha entrada no teu blogue que conteña os resultados obtidos.

Se premes na seguinte ligazón podes acceder a un pdf que explica este contido: Modelos de xeración de imaxes.pdf.

Pero antes de nada, para coñecer que son as redes neuronais convolucionais (as que permiten traballar con imaxes), podes ver os seguintes vídeos da canle dot.csv:

¡Redes Neuronales CONVOLUCIONALES! ¿Cómo funcionan?

¡Extraños Patrones dentro de una RED NEURONAL!

Lista de modelos de xeración de imaxes que podes usar para o teu traballo:

• DALL-E: Esta ferramenta permite xerar imaxes a partir de descricións textuais (incorporada á plataforma de ChatGPT, límite de 3 prompts/día).
• Stable Diffusion Web: Xera imaxes realistas e artísticas baseándose en descricións de texto (10 créditos/día).
• MidJourneyfree: Especializada na creación de arte dixital e imaxes surrealistas, sendo ideal para proxectos creativos e artísticos.
• Leonardo AI: Esta ferramenta transforma fotografías en obras de arte dixital, empregando estilos de artistas famosos como Van Gogh ou Picasso.
• Firefly: Plataforma desenvolvida por Adobe, ten un plan gratuíto de 25 créditos mensuais. Non só crea imaxes, tamén pode procesalas.
• Ideogram: Accesible con unha conta de Google. Ten un plan gratuíto de 10 créditos/día.
• Krea.ai: Plataforma que da acceso a diversas ferramentas de creación de imaxes (Flux, Enhancer, Realtime) e de vídeo.
• Let's Enhance: Xenera imaxes e mellora a calidade de imaxes de baixa resolución, aumentando a nitidez e resolución. Ofrece plan gratuíto con 10 créditos.
• AI Image Upscaler: Permite aumentar a resolución e mellorar a calidade das imaxes. Na versión gratuíta ofrece 20 créditos.

Actualización (febreiro 2025):

• Qwen: Asistente de IA multifuncional deseñado para proporcionar respostas rápidas e precisas. Pode xerar imaxes a partir de texto (prompt).
• Napkin.ai: Ferramenta de xeración de imaxes especializada na creación rápida de bosquexos, deseños e diagramas a partir de descricións textuais. Ideal para crear ilustracións conceptuais. Ofrece unha versión gratuíta con funcionalidades básicas e un límite diario de xeracións.

Learning Machine Learning (LML). Práctica 1: Recoñecer imaxes. Curso 2024-2025.

Continuamos a traballar con modelos preentrenados, pero esta vez utilizaremos as habilidades de recoñecemento de imaxes.

Nesta práctica imos a utilizar outra páxina (similar á MLfK), Learning ML (LML) para realizar un proxecto de recoñecemento de imaxes.

Unha vez na páxina inicial, accederemos á opción “LearningML Basic” e veremos un entorno similar ao que xa utilizamos en Machine Learning for Kids, neste caso non teremos que rexistrarnos pero, en contrapartida, deberemos gardar o modelo no noso ordenador para podelo utilizar en futuras sesións.

As instrucións para a realización desta práctica están no documento: Instrucións práctica 1 LML.pdf

Como imos a usar recoñecemento de imaxes, tal vez necesitemos ver o vídeo de Programamos (Sesión 3): ”¿Cómo perciben el mundo los ordenadores?”.

No vídeo anterior se fai referencia a 2 páxinas web, que permiten comprender máis profundamente como funciona a extracción de características nunha imaxe:

• A demostración interactiva de DeepLizard (explica como se aplican filtros para detectar bordos en imaxes).
• A ferramenta de Adam Harley (permite debuxar un número e comprobar se o sistema de intelixencia artificial o recoñece correctamente).

Tamén podedes ver o seguinte vídeo sobre a aplicación dos sistemas de recoñecemento de imaxes para traducir a linguaxe de signos en tempo real:

Introdución aos Chatbots (LLM's). Curso 2024-2025.

 

Ao longo deste curso utilizaremos diversos tipos de ferramentas que usan IA, nesta entrada comezamos co análise e uso dos Chatbots, grandes modelos de linguaxe.

Utilizaremos diversos Chatbots para a realización dunha tarefa concreta, crear unha entrada no noso blogue onde realizaremos unha análise de diversos Chatbots gratuítos e accesibles na Web, realizando unha comparativa entre eles e indicando cales foron os puntos fortes e débiles de cada un deles.

Se premes na seguinte ligazón podes acceder ao contido: Introdución aos Chatbots.pdf.

Lista de chatbots que utilizaremos nesta unidade:

• ChatGPT (OpenAI): Modelo de linguaxe avanzado que ofrece interaccións conversacionais de alta calidade, ideal para a creación de contido e asistencia en tarefas complexas.
• Gemini (Google): É un asistente virtual, integrado no ecosistema de Google, que combina potencia de busca e capacidades de diálogo, permitindo interaccións naturais e informativas.
• Perplexity AI: A súa capacidade de buscar información actualizada a partir de diversas fontes o converte na opción ideal para investigacións rápidas, con indicacións de datos de contexto (fontes, etc).
• Copilot (Microsoft): Asistente baseado en IA que se integra en aplicacións de Microsoft.
• Claude (Anthropic): Claude é un chatbot deseñado para ser intuitivo e seguro, priorizando a ética e a responsabilidade nas súas interaccións.
• YouChat (You.com): YouChat está integrado na plataforma de busca You.com, útil para aqueles que unha busca interactiva e personalizada.

Actualización (febreiro 2025):

• DeepSeek: Modelo avanzado que combina capacidades de busca profunda con interaccións de diálogo naturais, ideal para tarefas de investigación exhaustiva.
• Qwen (Alibabá): Asistente de IA multifuncional deseñado para proporcionar respostas rápidas e precisas, así como para axudar na xestión de tarefas e no acceso á información.

De seguido tedes un vídeo da canle Dot.csv que explica que son os LLM:

¿Qué es un LLM? Enormes Modelos del Lenguaje | Large Language Models

Por último, tedes aquí a ligazón a outro vídeo da canle Dot.csv na que explica o estado actual (principios de 2024) dos LLM como ChatGPT:

Lo que OpenAI NO quería que supieras sobre GPT4 - (De los MoEs a Mixtral)

Machine Learning for Kids. Práctica 1: Detectar sentimentos. Curso 2024-2025.

Para a realización desta práctica imos acceder á aplicación en liña Machine Learning for Kids (MLfK).

Esta ferramenta vainos permitir adestrar unha IA e consta de 3 módulos:

    • “Entrenar” (onde engadimos os exemplos de adestramento).

    • “Aprender&Probar” (onde se adestra ao modelo).

    • “Crea” (xera o código que poderemos exportar a Scratch ou Python).

Crearemos un “detector de sentimentos” que sexa capaz de determinar se estamos felices, tristes ou cansos en función dos nosos comentarios por escrito, posteriormente exportaremos o código e engadiremos esta función a un programa de Scratch creado por nós.

Pero antes de comezar coa práctica, tal vez te interese ver este vídeo da páxina de Programamos: ¿Cómo entienden el texto los ordenadores?

Como axuda para a realización da práctica, podes consultar o seguinte pdf: Instrucións Práctica 1.

Por último, podedes ver os seguintes vídeos da Canle dot.csv:

Modelos para entender una realidad caótica | DotCSV

¿Qué es el Aprendizaje Supervisado y No Supervisado? | DotCSV

UX1A Recoñece emocións. Curso 2024-2025.

Desde esta entrada do blogue imos a acceder ao contido interactivo de DIXIT, Deep Learning. UX1A recoñece emocións, no que poderás interactuar cunha IA real adestrada con Deep Learning para que recoñeza as cinco emocións: alegría, sorpresa, tristura, enfado e medo.

O Axente intelixente conta cun conxunto de tarxetas precargadas (emoticonas, pictogramas e ilustracións de UX1A) que se mostran de forma aleatoria. Ademais, permite a experimentación libre realizando tantas probas como se desexe.

Se o teu ordenador conta con unha cámara web, tamén poderás probar se detecta as túas emocións.

De seguido podes acceder ao contido complementario ao anteior (tamén un contido interactivo de DIXIT): Retos_UX1A recoñece emocións, no que atoparás tres retos diferentes que te axudarán a reflexionar e obter conclusións sobre as túas interaccións co axente intelixente UX1A.

Adestrando a UX1A. Curso 2024-2025

Desde esta entrada do blogue imos a acceder ao contido interactivo de DIXIT, Deep Learning UX1A aprende, que simula o adestramento dunha máquina con Deep Learning (Aprendizaxe Profunda) para que identifique a emoción de alegría.

Nesta simulación, podrás adestrar a UX1A con tres conxuntos diferentes de datos e debes analizar os resultados obtidos con cada un deles.

Esta actividade permitiránnos comprender tanto o proceso de adestramento e aprendizaxe dunha máquina (recoñecemento de trazos nunha mostra) como a importancia da calidade dos datos empregados no seu adestramento.

Bloques básicos. Parte II. Aprendizaxe. Curso 2024-2025.

 

Imos a coñecer agora o 3º bloque básico dun sistema de Intelixencia Artificial: O aprendizaxe.

Para acceder a este contido, podes premer na ligazón ao seguinte documento en formato pdf:

• Bloques básicos dun Sistema de IA - Aprendizaxe

Ampliación:

Documental AlphaGo (Subtitulado en Castelán)

Pasado, Presente y Futuro de la IA - ¡Del Deep Learning 1.0 a Google Gemini!

• Xogo en liña Wordle2 (versión en Galego).
• xogo de mesa en liña Mastermind.

Bloques básicos. Parte I. Percepción e Representación... Curso 2024-2025.

Continuamos a utilizar os contidos de DIXIT, agora para coñecer os Bloques básicos dun sistema de IA.

Un sistema de Intelixencia Artificial consta de 5 bloques básicos:

1. Percepción.
2. Representación e razoamento
3. Aprendizaxe
4. Interacción natural
5. Impacto social

Nesta entrada só analizaremos os 2 primeiros bloques, Percepción e Representación e Razoamento.

Para acceder a este contido, podes premer na ligazón ao seguinte documento en formato pdf:

• Bloques básicos dun sistema IA Parte I

Percepción:

• Os sensores, recursos Dixit.

Razoamento:

• Os algoritmos e os diagramas de fluxo, recursos Dixit.
• As árbores de decisión. Chatbot, recursos Dixit.
• Preme na ligazón para probar Akinator, o xenio da web.
• Akinator e o algoritmo de Dijkstraa, dous exemplos de programación top-down.

Amplía información:

• Exemplos de representacións de datos.pdf