Pasos
1. Ingresar: [Link]
2. Se elige la opción "Proyecto de imágenes". Esto permite entrenar el modelo a partir
de imágenes desde archivos o la cámara web.
3. Es la mejor opción para la mayoría de los usos. Utiliza imágenes a color de 224 x 224
px.
4. Modificar las Clases: Definir la primera clase como "Saludable" y la segunda como
"No saludable".
5. Subir 30 muestras de imágenes en la clase "Saludable" y “No saludable”. Utilizar el
botón de "Cámara Web" o "Subir" para cargar las imágenes.
6. En el apartado de "Entrenamiento", hacer clic en el botón "Entrenar modelo".
7. Seleccione "Archivo" y suba una imagen para probar. En la sección "Vista previa",
cambiar la entrada a "Archivo"
8. Elegir imágenes desde tus archivos (en este caso, se observa un plato con empanadas).
9. Observar las barras de porcentaje. En el ejemplo, el modelo clasifica la imagen
mayoritariamente como "No saludable" (barra roja) frente a "Saludable"
Conclusión
En conclusión, la prueba con Teachable Machine fue todo un éxito. Le enseñamos a
diferenciar alimentos y, al ponerlo a prueba con la foto de las empanadas, supo de inmediato
que no eran saludables. Básicamente, nos dimos cuenta de que si alimentamos el modelo con
suficientes imágenes, la IA aprende a distinguir las cosas de forma muy efectiva y sin
complicaciones.
1. Crear los "Datos". Crear una hoja de Excel con los datos de 5 golosinas/snacks y
3 características de cada una:
Golosina Característica 1 Característica 2 Característica 3
Gomitas Azúcar alto Masticable Colorante artificial
Papas fritas Sal alto Crujiente Gasa alta
Barra de granola Fibra Avena Bajo azúcar
Chocolate Azúcar baja Cremoso Cacao
Maní salado Proteína Sal medio Natural
2. Clasificar: Aprendizaje Supervisado. Predecir si un snack es "Saludable"
a) Tomar los 5 primeros datos y clasificar con SI o NO de acuerdo su nivel de
“Saludable”
Golosina Saludable (SI/NO)
Gomitas NO
Papas fritas NO
Barra de granola SI
Chocolate SI
Maní salado SI
b) Identificar cinco reglas de clasificación que me sirvan para poder catalogar el SI.
Saludable (SI/NO) Categoría
SI Fibra
SI Proteína
SI Bajo contenido de azúcar
SI No contiene colorantes artificiales
SI No contiene grasa alta
NO Alto contenido en azúcar
c) Introducir 1 golosina, numere esta primera interacción como 1. Responder:
Golosina Característica 1 Característica 2 Característica 3
Cereal dulce Azúcar alto Crujiente Colorante artificial
a. ¿El nuevo producto se ajusta a una de las reglas establecidas?
Solo cumple una regla debido a que no tiene grasa alta, pero sigue considerándose no
saludable.
b. De no ser así vuelva al punto b, agregue nueva regla, incremente la interacción y
responda la pregunta a si es factible.
Nueva regla: Un snack NO es saludable si tiene azúcar alto.
c. Muestre todas las iteraciones realizadas
Sigue sin cumplir ninguna regla para ser clasificado como saludable.
d) Introduzca una nueva golosina y siga los pasos anteriormente realizados con la
golosina anterior.
Golosina Característica 1 Característica 2 Característica 3
Yogurt natural Proteína Cremoso Natural
a. ¿El nuevo producto se ajusta a una de las reglas establecidas?
Si cumple las reglas establecidas, por lo tanto es saludable
3. ¿Cómo lo haría si le pidieran aplicar el aprendizaje no supervisado, sabiendo
que no existirían la etiqueta SI/NO?
Me enfocaría en agrupar los snacks únicamente en función de sus características,
permitiendo que el algoritmo encuentre patrones naturales entre los datos sin una
clasificación predeterminada. Para ello se pueden emplear técnicas como el clustering,
donde los snacks se organizan en grupos según similitudes, por ejemplo, aquellos con
alto azúcar podrían formar un grupo, mientras que los que contienen proteína o fibra
formarían otro.
4. Conclusión final, responder:
a) ¿Cuándo usamos Supervisado?
Se utiliza cuando existe una etiqueta conocida y se desea entrenar un modelo capaz de
predecirla para nuevos datos, como clasificar si un snack es saludable o no.
b) ¿Cuándo usamos No Supervisado?
El aprendizaje no supervisado se usa cuando no hay etiquetas, y la finalidad es
identificar patrones, similitudes o agrupaciones ocultas dentro de los datos sin
necesidad de una clase.