In questo post abbiamo visto come un semplice neurone artificiale, senza l’ausilio di librerie come tensorflow, possa risolvere problemi di intelligenza artificiale grazie al machine learning.
Oggi vediamo come realizzare nuovamente un semplice script di machine learning attraverso il supporto di keras, un’API ad alto livello che consente la veloce creazione di reti neurali.
Reality: starting point
Ogni progetto di machine learning ha origine da una determinata realtà contraddistinta da una serie di dati e da una legge, una relazione, nota o sconosciuta che regola i dati.
Questo è il nostro dataset di partenza:
[ input ] : [-2.0,-1.0, 0.0, 1.0, 2.0, 8.0, 12.0]
[output ] : [-9.0, -6.0, 0.0, 0.0, 3.0, 21.0, 33.0]
La relazione tra l’input e l’output è la seguente:
y = x*3 - 3
Ci troviamo nella situazione di conoscere la relazione tra i dati, ma potrebbe capitare, come spesso succede, che questa preziosa informazione sia assente. Non è un problema: qui entra in gioco l’intelligenza artificiale.
Con l’ausilio di tecniche quali il deep learning, o il machine learning, è possibile estrarre da una serie di dati, attraverso l’iterazione in un numero elevato di epoche (cicli), grazie anche a specifiche funzioni matematiche, la relazione che consente di fare previsioni dell’ouput su input non forniti nella fase di training.
Questo è quello che andremo a fare.
Script: using keras to desing a net
Per poter procedere, occore che keras si installato propriamente nel nostro ambiente di lavoro. Io, da anaconda Prompt digito:
pip install keras
Iniziamo a scrivere lo script.
Importiamo le librerie:
from tensorflow import keras
import numpy as np
Quindi creiamo la nostra rete neurale, fatta di un semplice neurone e un solo layer:
model = keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
model.compile(optimizer='sgd', loss='mean_squared_error')
Ora il nostro dataset:
x = np.array([-2.0,-1.0, 0.0, 1.0, 2.0, 8.0, 12.0], dtype=float)
y = np.array([-9.0, -6.0, 0.0, 0.0, 3.0, 21.0, 33.0], dtype=float)
Popoliamo il modello:
model.fit(x, y, epochs=500)
E proviamo a fare una predizione su un dato in input, il 9; l’output? Dovebbe essere 24:
print(model.predict([9.0]))
Eseguendo lo script, otteniamo:
[24.101503]Ci piace!
Alla prossima!
Un caldo abbraccio, Andrea!