El furor que desperta el machine learning ha col·locat a TensorFlow, el programari de codi obert de Google per a projectes d'aprenentatge automàtic, en la cresta de l'ona, especialment quan es combina amb el llenguatge de programació Python. L'últim informe The State of the Octoverse de GitHub subratlla que TensorFlow ha estat un dels projectes que més moviment ha registrat en la plataforma de coding durant 2019. 9.900 usuaris van contribuir al seu creixement plantejant preguntes i incidències; i, fins avui, s'han obert 46.000 repositoris que utilitzen TensorFlow, com els de les llibreries NumPy o PyTest.
Què és TensorFlow i per a què s'utilitza
TensorFlow és una plataforma de codi obert per a computació numèrica basada en grafs. Compta amb el segell de Google i permet desenvolupar, amb relativa facilitat, aplicacions de machine learning que ens oferiran prediccions, classificacions o recomanacions basades en l'anàlisi d'un conjunt de dades. A mesura que el sistema recull més i més informació, aprèn de manera automàtica i la fiabilitat dels seus resultats augmenta. TensorFlow pot córrer en una o en múltiples CPU i GPU, així com en dispositius mòbils.
TensorFlow té múltiples usos. Un dels més destacats és el desenvolupament de xarxes neuronals artificials empleades en:
- El reconeixement i la classificació automàtica d'imatges, identificant a les persones i objectes que apareixen en elles.
- La comprensió de senyals d'àudio i cerques per veu (molt en voga per l'auge dels altaveus intel·ligents).
- L'anàlisi de sèries temporals per a avaluar comportaments i preveure què ocorrerà a continuació. Molt útil en màrqueting per a oferir recomanacions de productes a potencials clients o per a avançar-se a les cancel·lacions del servei; en salut per a prevenir patologies; o en el mercat de les assegurances, per a calcular el risc que el prenedor experimenti un contratemps.
Proyectos de machine learning: ¿por qué TensorFlow en Python?
Combinar TensorFlow i Python és una de les fórmules més eficaces i senzilles per al desenvolupament d'aplicacions de machine learning. Per què?
Avantatges de Python en el camp del machine learning
Python serà un dels llenguatges de programació més usats l'any 2020 . Ocupa el segon lloc entre els més populars en l'última Developer Survey de Stack Overflow i el tercer en l'índex TIOBE. Usar Python en l'àmbit del machine learning ofereix grans avantatges perquè:
- És amigable, fàcil d'utilitzar i aprendre. Ideal per a principiants en el món del desenvolupament.
- És un llenguatge full stack, apte per a programar tant des del costat del servidor com des del client.
- El gestor de paquets de Python, PyPi, compta ja amb més de 10.000 paquets d'ús científic a la disposició dels usuaris.
Avantatges de TensorFlow per a projectes de machine learning
- La seva interoperabilitat. Un mateix model de machine learning escrit en un llenguatge pot extrapolar-se fàcilment a un altre
- La gran quantitat de models ja desenvolupats per la comunitat TensorFlow que afavoreixen que, per a construir el teu, no hagis de començar des de zero.
- L'elevat volum de recursos que ofereix Google, en forma de tutorials o xarxes neuronals ja creades, que aplanen l'aprenentatge.
- La seva versatilitat. Es tracta d'una biblioteca de computació genèrica, no sols enfocada al deep learning, com és el cas de Keras o PyTorch. Serveix tant per a projectes petits com per a desafiaments complexos i de gran importància.
Conceptes clau en els projectes de machine learning amb TensorFlow
A l'hora de desenvolupar projectes de machine learning amb TensorFlow en Python, és necessari familiaritzar-se amb alguns conceptes clau com:
- Tensors: estructures algebraiques que contenen diferents valors numèrics i per les quals fluiran les dades en el nostre sistema
- Models: funcions que persegueixen obtenir un resultat determinat a partir d'unes dades d'entrada.
- Èpoques: nombre de vegades que el model rep les mateixes dades d'entrada durant el seu procés d'entrenament.
- Funció de pèrdua: calcula la fiabilitat del resultat obtingut en cada iteració.
De manera succinta, podríem dir que amb TensorFlow es persegueix desenvolupar un model de machine learning que, amb un data set d'entrada i entrenament pel mig, sigui capaç d'establir generalitzacions. Abans d'agregar el conjunt de dades, cal preprocesarlos perquè el sistema pugui treure'ls partit. Després, per a l'entrenament, caldrà preveure un nombre d'èpoques suficient, perquè el model aprengui; però no excessiu, ja que això podria viciar els resultats.
En els projectes de machine learning amb TensorFlow en Python és possible recórrer a llibreries addicionals que faran més senzilla la tasca de programació. Ens referim a, per exemple, NumPy i SciPy per a funcions matemàtiques; Colles i Seaborn, per a l'explotació estadística i la visualització de dades; o Matplotlib per a la generació de gràfics.
