mirror of
https://github.com/freeCodeCamp/freeCodeCamp.git
synced 2026-04-11 07:00:41 -04:00
chore(i18n,learn): processed translations (#47678)
This commit is contained in:
camperbot
@@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e46f8e3ac417301a38fb92f
|
||||
title: Book Recommendation Engine using KNN
|
||||
title: Motor de Recomendación de Libros Usando KNN
|
||||
challengeType: 10
|
||||
forumTopicId: 462378
|
||||
dashedName: book-recommendation-engine-using-knn
|
||||
@@ -8,19 +8,52 @@ dashedName: book-recommendation-engine-using-knn
|
||||
|
||||
# --description--
|
||||
|
||||
In this challenge, you will create a book recommendation algorithm using K-Nearest Neighbors.
|
||||
En este proyecto trabajarás con <a href="https://colab.research.google.com/github/freeCodeCamp/boilerplate-book-recommendation-engine/blob/master/fcc_book_recommendation_knn.ipynb" target="_blank" rel="noopener noreferrer nofollow"> Google Colaboratory</a>.
|
||||
|
||||
You will use the Book-Crossings dataset. This dataset contains 1.1 million ratings (scale of 1-10) of 270,000 books by 90,000 users.
|
||||
Después de ir a ese enlace, crea una copia del notebook en tu propia cuenta o de manera local. Una vez que hayas completado el proyecto y éste pase la prueba (incluida en ese enlace), envía el enlace de tu proyecto a continuación. Si envias un enlace a Google Colaboratory, asegúrate de que activas el uso compartido para "cualquiera con el enlace."
|
||||
|
||||
You can access [the full project instructions and starter code on Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-book-recommendation-engine/blob/master/fcc_book_recommendation_knn.ipynb).
|
||||
Todavía estamos desarrollando la parte interactiva de la instrucción del plan de estudio de Python. Por ahora, usted puede pasar por los desafíos de vídeo en esta certificación. Es posible que también tengas que buscar recursos de aprendizaje adicionales, similares a lo que harías cuando trabajas en un proyecto del mundo real.
|
||||
|
||||
After going to that link, create a copy of the notebook either in your own account or locally. Once you complete the project and it passes the test (included at that link), submit your project link below. If you are submitting a Google Colaboratory link, make sure to turn on link sharing for "anyone with the link."
|
||||
# --instructions--
|
||||
|
||||
We are still developing the interactive instructional content for the machine learning curriculum. For now, you can go through the video challenges in this certification. You may also have to seek out additional learning resources, similar to what you would do when working on a real-world project.
|
||||
En este desafío, crearás un algoritmo de recomendación de libros utilizando **K-Nearest Neighbors.**.
|
||||
|
||||
Utilizará el conjunto de datos <a href="http://www2.informatik.uni-freiburg.de/~cziegler/BX/" target="_blank" rel="noopener noreferrer nofollow">Book-Crossings</a>. Este conjunto de datos contiene 1,1 millones de calificaciones (escala de 1-10) de 270,000 libros por 90.000 usuarios.
|
||||
|
||||
Después de importar y limpiar los datos, usa `NearestNeighbors` desde `sklearn. eighbors` para desarrollar un modelo que muestre libros que son similares a un libro dado. El algoritmo de Neighbors más cercano mide la distancia para determinar la “cercanía” de las instancias.
|
||||
|
||||
Crea una función llamada `get_recommends` que toma el título del libro (desde el conjunto de datos) como argumento y devuelve una lista de 5 libros similares con sus distancias del argumento del libro.
|
||||
|
||||
Este código:
|
||||
|
||||
```py
|
||||
get_recommends("The Queen of the Damned (Vampire Chronicles (Paperback))")
|
||||
```
|
||||
|
||||
debe retornar:
|
||||
|
||||
```py
|
||||
[
|
||||
'The Queen of the Damned (Vampire Chronicles (Paperback))',
|
||||
[
|
||||
['Catch 22', 0.793983519077301],
|
||||
['The Witching Hour (Lives of the Mayfair Witches)', 0.7448656558990479],
|
||||
['Interview with the Vampire', 0.7345068454742432],
|
||||
['The Tale of the Body Thief (Vampire Chronicles (Paperback))', 0.5376338362693787],
|
||||
['The Vampire Lestat (Vampire Chronicles, Book II)', 0.5178412199020386]
|
||||
]
|
||||
]
|
||||
```
|
||||
|
||||
Tenga en cuenta que los datos devueltos desde `get_recommends()` es una lista. El primer elemento de la lista es el título del libro pasado a la función. El segundo elemento de la lista es una lista de cinco listas más. Cada una de las cinco listas contiene un libro recomendado y la distancia del libro recomendado al libro pasado a la función.
|
||||
|
||||
Si graficas conjunto de datos (opcional), notaras que la mayoria de los libros no se clafican con frecuencia. Para garantizar la importacia estadística, elimine del conjunto de datos a los usuarios con menos de 200 calificaciones y libros con menos de 100 calificaciones.
|
||||
|
||||
Las primeras tres celdas importan las bibliotecas que puede necesitar y los datos a utilizar. La celda final es para pruebas. Escribe todo tu código entre esas celdas.
|
||||
|
||||
# --hints--
|
||||
|
||||
It should pass all Python tests.
|
||||
Debería pasar todas las pruebas de Python.
|
||||
|
||||
```js
|
||||
|
||||
|
||||
@@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e46f8dcac417301a38fb92e
|
||||
title: Cat and Dog Image Classifier
|
||||
title: Clasificador de imágenes de gatos y perros
|
||||
challengeType: 10
|
||||
forumTopicId: 462377
|
||||
dashedName: cat-and-dog-image-classifier
|
||||
@@ -8,17 +8,101 @@ dashedName: cat-and-dog-image-classifier
|
||||
|
||||
# --description--
|
||||
|
||||
For this challenge, you will use TensorFlow 2.0 and Keras to create a convolutional neural network that correctly classifies images of cats and dogs with at least 63% accuracy.
|
||||
Trabajarás <a href="https://colab.research.google.com/github/freeCodeCamp/boilerplate-cat-and-dog-image-classifier/blob/master/fcc_cat_dog.ipynb" target="_blank" rel="noopener noreferrer nofollow"> en este proyecto</a> con Google Colaboratory.
|
||||
|
||||
You can access [the full project instructions and starter code on Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-cat-and-dog-image-classifier/blob/master/fcc_cat_dog.ipynb).
|
||||
Después de acceder al enlace, crea una copia del cuaderno ya sea en tu propia cuenta o de manera local. Una vez hayas completado el proyecto y superes el test (incluido en el enlace), envía el enlace del proyecto a continuación. Si envias un enlace a Google Colaboratory, asegúrate de que activas el uso compartido para "cualquiera con el enlace."
|
||||
|
||||
After going to that link, create a copy of the notebook either in your own account or locally. Once you complete the project and it passes the test (included at that link), submit your project link below. If you are submitting a Google Colaboratory link, make sure to turn on link sharing for "anyone with the link."
|
||||
Todavía estamos desarrollando el contenido instructivo interactivo para el plan de estudios de aprendizaje automático. Por ahora, puedes pasar por los desafíos en video de esta certificación. También puede que tengas que buscar recursos de aprendizaje adicionales, similares a lo que harías cuando trabajas en un proyecto del mundo real.
|
||||
|
||||
We are still developing the interactive instructional content for the machine learning curriculum. For now, you can go through the video challenges in this certification. You may also have to seek out additional learning resources, similar to what you would do when working on a real-world project.
|
||||
# --instructions--
|
||||
|
||||
Para este desafio, deberás completar el código para clasificar las imágenes de perros y gatos. Usaras TensorFlow 2.0 y Keras para crear una red neuronal convolucional que clasifique correctamente las imágenes de gatos y perros al menos el 63% de las veces. (¡Crédito adicional si obtienes un 70% de precisión!)
|
||||
|
||||
Se le entregara parte del código, pero debes añadir el faltante para completar este desafío. Lea las instrucciones de cada celda de texto para que sepa lo que tiene que hacer en cada celda de código.
|
||||
|
||||
La primera celda de código importa las bibliotecas requeridas. La celda de segundo código descarga los datos y establece variables clave. La tercera celda es el primer lugar en el que escribes tu propio código.
|
||||
|
||||
La estructura de los archivos de conjuntos de datos que se descargan se ve así (Notará que el directorio de pruebas no tiene subdirectorios y las imágenes no están etiquetadas):
|
||||
|
||||
```py
|
||||
cats_and_dogs
|
||||
|__ train:
|
||||
|______ cats: [cat.0.jpg, cat.1.jpg ...]
|
||||
|______ dogs: [dog.0.jpg, dog.1.jpg ...]
|
||||
|__ validation:
|
||||
|______ cats: [cat.2000.jpg, cat.2001.jpg ...]
|
||||
|______ dogs: [dog.2000.jpg, dog.2001.jpg ...]
|
||||
|__ test: [1.jpg, 2.jpg ...]
|
||||
```
|
||||
|
||||
Si lo deseas, puedes ajustar los epochs y el tamaño por lotes, pero no es necesario.
|
||||
|
||||
Las siguientes instrucciones corresponden a números de celda específicos, indicados con un comentario en la parte superior de la celda (como `# 3`).
|
||||
|
||||
## Celda 3
|
||||
|
||||
¡Ahora es tu turno! Establecer correctamente cada una de las variables de esta celda. (Ya no deberían ser iguales a `None`.)
|
||||
|
||||
Crea generadores de imágenes para cada uno de los tres conjuntos de datos de imagen (entrenamiento, validación, prueba). Utilice `ImageDataGenerator` para leer / decodificar las imágenes y convertirlas en tensores de punto flotante. Utilice el argumento `rescale` (y ningún otro argumento por ahora) para cambiar la escala de los tensores de valores entre 0 y 255 a valores entre 0 y 1.
|
||||
|
||||
Para las variables `*_data_gen`, utilice el método `flow_from_directory`. Pase en el tamaño del lote, directorio, tamaño de destino (`(IMG_HEIGHT, IMG_WIDTH)`), modo de clase y cualquier otra cosa requerida. `test_data_gen` será el más complicado. Para `test_data_gen`, asegúrese de pasar en `shuffle=False` al método `flow_from_directory`. Esto asegurará que las predicciones finales se mantengan en el orden que espera nuestra prueba. Para `test_data_gen` también será útil observar la estructura de directorio.
|
||||
|
||||
|
||||
Después de ejecutar el código, la salida debería verse así:
|
||||
|
||||
```py
|
||||
Found 2000 images belonging to 2 classes.
|
||||
Found 1000 images belonging to 2 classes.
|
||||
Found 50 images belonging to 1 class.
|
||||
```
|
||||
|
||||
## Celda 4
|
||||
|
||||
La función `plotImages` se utilizará varias veces para trazar imágenes. Toma una matriz de imágenes y una lista de probabilidades, aunque la lista de probabilidades es opcional. Este código es para ti. Si creaste correctamente la variable `train_data_gen`, ejecutar esta celda graficará cinco imágenes de entrenamiento aleatorias.
|
||||
|
||||
## Celda 5
|
||||
|
||||
Recree el `train_image_generator` usando `ImageDataGenerator`.
|
||||
|
||||
Dado que hay una pequeña cantidad de ejemplos de entrenamiento, existe el riesgo de sobreajuste. Una forma de solucionar este problema es crear más datos de entrenamiento a partir de ejemplos de entrenamiento existentes mediante el uso de transformaciones aleatorias.
|
||||
|
||||
Añade 4-6 transformaciones aleatorias como argumentos para `ImageDataGenerator`. Asegúrese de reescalar lo mismo que antes.
|
||||
|
||||
## Celda 6
|
||||
|
||||
No tienes que hacer nada por esta celda. `train_data_gen` se crea como antes pero con el nuevo `train_image_generator`. Luego, una sola imagen se traza cinco veces diferentes usando diferentes variaciones.
|
||||
|
||||
## Celda 7
|
||||
|
||||
En esta celda, cree un modelo para la red neuronal que genere probabilidades de clase. Debería usar el modelo secuencial de Keras. Probablemente involucre una pila de capas Conv2D y MaxPooling2D y luego una capa completamente conectada en la parte superior que se activa mediante una función de activación de ReLU.
|
||||
|
||||
Compile el modelo pasando los argumentos para configurar el optimizador y la pérdida. Pase también `metrics=['accuracy']` para ver la precisión del entrenamiento y la validación para cada época de entrenamiento.
|
||||
|
||||
## Celda 8
|
||||
|
||||
Utilice el método `fit` en su `model` para entrenar la red. Asegúrese de pasar argumentos para `x`, `steps_per_epoch`, `epochs`, `validation_data` y `validation_steps`.
|
||||
|
||||
## Celda 9
|
||||
|
||||
Ejecute esta celda para visualizar la precisión y la pérdida del modelo.
|
||||
|
||||
## Celda 10
|
||||
|
||||
Ahora es el momento de usar su modelo para predecir si una nueva imagen es un gato o un perro.
|
||||
|
||||
En esta celda, obtenga la probabilidad de que cada imagen de prueba (de `test_data_gen`) sea un perro o un gato. `probabilities` debe ser una lista de números enteros.
|
||||
|
||||
Llame a la función `plotImages` y pase las imágenes de prueba y las probabilidades correspondientes a cada imagen de prueba.
|
||||
|
||||
Después de ejecutar la celda, debería ver las 50 imágenes de prueba con una etiqueta que muestra el porcentaje de "seguro" de que la imagen es un gato o un perro. La precisión corresponderá a la precisión que se muestra en el gráfico anterior (después de ejecutar la celda anterior). Más imágenes de entrenamiento podrían conducir a una mayor precisión.
|
||||
|
||||
## Celda 11
|
||||
|
||||
Ejecute esta celda final para ver si pasó el desafío o si necesita seguir intentándolo.
|
||||
|
||||
# --hints--
|
||||
|
||||
It should pass all Python tests.
|
||||
Debería pasar todas las pruebas de Python.
|
||||
|
||||
```js
|
||||
|
||||
|
||||
Reference in New Issue
Block a user