LABORATORIO

1. UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN FACULTAD DE INGENIERÍA ESCUELA PROFESIONAL DE INGENIERÍA EN INFORMÁTICA Y SISTEMAS Laboratorio 01 Alumno: - Bryanna Audrey Chavez Bautista 2021-119013 Asignatura: - Inteligencia Artificial TACNA – PERÚ 2025

2. -Se visualice la ejecución de las celdas, los resultados y el accuracy (exactitud)

8. -Se responda las preguntas de la parte final en formato MARKDOWN. #1. ¿Cuál es el objetivo principal al trabajar con el conjunto de datos MNIST en este ejercicio de clasificación de imágenes? Su objetivo principal es poder entrenar con mayor precisión a nuestro modelo, ya que nos brinda 70.000 imágenes entre dígitos del 0 al 9 escritos de manera diferente, de esta manera va a haber una mayor exactitud de reconocimiento de imágen. #2. ¿Cómo el Deep Learning permite resolver problemas que las técnicas tradicionales no pueden? El Deep learning se basa en el aprendizaje de patrones, de esta manera sirve para poder entrenar al modelo y poder tener un resultado más exacto al momento de procesar una mayor cantidad de datos. # 3. ¿Cuántas imágenes y clases incluye el conjunto de datos MNIST? El conjunto de datos MNIST tiene 70.000 imágenes en escala de grises y 10 clases ( representan los dígitos del 0 al 9). # 4. ¿Cuál es la diferencia entre los datos de entrenamiento y los datos de validación? Los datos de entrenamiento se usan para poder entrenar al modelo, que encuentre patrones, por otro lado los datos de validación sirven para poder poner a prueba el modelo, que tan eficiente es, en caso la exactitud de la pruebas sea menor, poder ajustar el modelos para que se llegue a una exactitud muy cercana al 100%. #5. ¿Por qué es importante convertir las imágenes en tensores antes de procesarlas con una red neuronal? Para ser procesado por una red neuronal la imágen debe tener múltiples dimensiones, para eso se hace uso de los tensores, convierte las imágenes en tres dimensiones compuesto por [dimensión][fila][columna]. #6. ¿Cuál es la importancia de utilizar una GPU en el entrenamiento de modelos de Deep Learning?

9. La GPU se usa para reducir el tiempo de la máquina, esto porque tiene varios núcleos que hacen que trabaje en paralelo. #7. ¿Qué estructura de red neuronal se utiliza en este ejercicio, y cuántas capas tiene? La red neuronal tiene 3 capas: capa de entrada (primera capa de neuronas), capa oculta (capa entre la entrada y salida) y capa de salida (devuelve la predicción final del modelo). #8. ¿Cuál es la función de la capa Flatten en una red neuronal? Tiene como función convertir los datos que son n-dimensionales en un vector. #9. ¿Cómo se define el tamaño de entrada para la capa lineal en la red neuronal? El tamaño de entrada es 1 x 28 x 28 ( # canales, #píxeles verticalmente y #píxeles horizontalmente multiplicados juntos). #10. ¿Cómo se calcula la exactitud del modelo durante el entrenamiento y validación? Se tiene que comparar el número de clasificaciones correctas con el número total de predicciones realizadas.