¿Alguna vez имеет эскучадо El Término de Machine Обучение o Artrendizaje Automático? ¿ ES Algo que está de moda? ¿ Realmente es útil? ¿ SE Tiene Que Saber Macha MateMáticas, Estadística Y Programación? 🤔. EL Machine Узнать ES Dispinglina Ligada A La Inteligencia Artifial Y a astadística que a a astadística que ed a astros ordadore ordadores a. EL Restuctionado que Obtenemos Con Machine Учебник Сын Algoritmos Capace de Hacer Predicciones Y Tomar Ребилизация Sin Programación Previa Y Con Datos Que No Han Visto Nunca. 😮
Aunque El Camino Para Armender Requiere Conocer de SQL, Bases de Datos, Matemáticas, Estadística, Programación Entre Otros. En Este Tutorial Vamos A Realizar Un Juego de Piedra, Papel O Tijeras Entrenando Una Red Neuronal, La Cual Aprenderá jugar y Ganar. Con Este Pequeño Учебное пособие VERAS Que Con Algunas Herramientas Ya Estarás engranado Tu Primer Algoritmo de Arrenendizaje Automático, El Lenguaje de Programación Que Utilizaremos Será Python, Ya Veras que Muy Pronto Aprenderás A Realizar TUS Artrebles Proyectos de Machine Ornace. Siempre He Pensado Que es Mejor Disfrutar El Camino, Que Pensar En La Gran Meta. 😝 ДВЕРТИРЕС МИЧТАРС на погашении Апрельса COSAS NUEVAS ES ALGO de Lo Más Me Gusta Hacer, Así Que Si Me Me Acompañas Vamos jugar un Poco. 🤗
ComenceMos🤓.
1. Crowsos una lista para las opciones de nuestro juego 🎲
Una lista es una estructura de datos usadas ru python 🐍. Lo Maravilloso de Las Listas Es Que Puedes AlmaceNar Custquier Tipo de Valor Como Un Enero, Una Cadena de Texto Y Hasta Otras Funciones. La Notación Para Lista Es Una Secuencia de Valores Enterrados Entre Corchetes y STORADOS POR COMA. Para Nuestro Caso TeneMos Una Lista de Opciones del Juego.
Опции = [“👊”, “✌”, “🖐”]
💜Нуээстрасские острова:
- “👊”: Пьедра
- «🖐»: Papel
- “✌”: Tijera
Luego, hacemos una pequeña función donde escribimos las reglas del Juego, tenemos dos jugadores lmamados p1 y p2 Y Vamos Vamos Son Son Las Opciones Para Ganar.
def search_winner(p1, p2):
if p1 == p2:
result = 0
elif p1 == "👊" and p2 == "✌":
result = 1
elif p1 == "👊" and p2 == "🖐":
result = 2
elif p1 == "✌" and p2 == "👊":
result = 2
elif p1 == "✌" and p2 == "🖐":
result = 1
elif p1 == "🖐" and p2 == "👊":
result = 1
elif p1 == "🖐" and p2 == "✌":
result = 2
return result
Así PodeMos Comprubar Nuestra Función:
search_winner ("🖐", "✌") search_winner ("✌", "✌")
Ahora Vamos a Crage En Pequeño, Para Seguir Haciendo Pruebas. Además hacemos una alternalación y pintamos la validación del test. Una Iteración es en repetir el preceso varias veces y algo muy útil en programación.
test = [
["👊", "👊", 0],
["👊", "✌", 1],
["👊", "🖐", 2]
]
for partida in test:
print("player1: %s player2: %s Winner: %s Validation: %s" % (
partida[0], partida[1], search_winner(partida[0], partida[1]), partida[2]
))
Y ESTON SON LOS RESHICADOS DEL TEST:
player1: 👊 player2: 👊 Winner: 0 Validation: 0 player1: 👊 player2: ✌ Winner: 1 Validation: 1 player1: 👊 player2: 🖐 Winner: 2 Validation: 2
💜luego crossos una pequeña Función Que Sea Random, Para El Jugador 1 Y El Jugador 2. Importamos EL MODULO Случайные Con El Cual Podemos Generar Números Aleatorios.
from random import choice
def get_choice():
return choice(options)
💜ahora una peekena prueba, para ver nuestros resultados con la función случайный:
for i in range(10):
player1 = get_choice()
player2 = get_choice()
print("player1: %s player2: %s Winner: %s " % (
player1, player2, search_winner(player1, player2)
))
💜depués de ejecutar la función tenemos:
player1: 👊 player2: 👊 Winner: 0 player1: 👊 player2: ✌ Winner: 1 player1: 🖐 player2: ✌ Winner: 2 player1: ✌ player2: 🖐 Winner: 1 player1: 👊 player2: ✌ Winner: 1 player1: ✌ player2: 🖐 Winner: 1 player1: 🖐 player2: 👊 Winner: 1 player1: 👊 player2: 🖐 Winner: 2 player1: 🖐 player2: ✌ Winner: 2 player1: 👊 player2: 👊 Winner: 0
💜muy bien !!!! HEMOS AVANZADO MUSTO EN La Estructura General Nuestro juego, stateeciendo las reglas del mismo, Cuanto Realizas algún partoecto de Programación Siempr ES Главный Partir EL PROMATEA EN PASOS Más Pequeños E IR AUMETANDO EL NIVEL DE DIFISEULTAD, NO TE PECOUPUS SI AL CRIVINGIO TE CUESTA ООН POCO , Todos Pasamos POR ESO, SOLAMESE SOMPLECE EN EL CAMINO LO PUEDES LOGRAR.
Ahora Vamos Hablar de Redes Neuronales 💁♀
2. Красный нейрональный 🧠.
EmpeCemos Con Nuestra Red Neuronal, Vamos Hacer Una Función Que Convierta Los Emojis A UNA LISTA DE CEROS Y UNOS PARA QUEESTRA RED NEURONAL ENTEIENDA MEJOR. Donde La Piedra «👊» [1,0,0], Si Es Tijeras “✌” Es [0,1,0] y Si Es Papel “🖐” ES [0,0,1]. Воображение щита Лас Макинас С.Е. Хаблин Энтин Эллас Й Эсто С.Е. Сэдиго де Маскина, Эсте Ленгуае Е.С. Уна-Серия-де-Инструкций En Forma De Ceros una unos Las Cuales Se ejecutan de Manera Secuencial. 👩 💻. Una Red Neuronal Iroudial Es Sistema Que Compone de EntraDas En Su Интерьер Se Realizan Funciones de Activacación Para Para Pare Para Para. LO QUE SE BUSCA CON ESTOS Sistemas Es Que Nuestros Algoritmos Ganen Cierta Inteligencia de Las EntraDas Para Realizar Una Predicción. EN Nuestro Caso Queremos Que la Red Artenenda Las Reglas del Juego y que adrenda a ganar. 😜
Ahora indeamos una nueva función para que nuestro sistema entenda el lenguaje de máquina:
def str_to_list(option):
if option=="👊":
res = [1,0,0]
elif option=="✌":
res = [0,1,0]
else:
res = [0,0,1]
return res
data_X = list(map(str_to_list, ["👊", "✌", "🖐"]))
data_y = list(map(str_to_list, ["🖐", "👊", "✌"]))
print(data_X)
print(data_y)
Este Es Nuestro Resuldado:
[[1, 0, 0], [0, 1, 0], [0, 0, 1]] [[0, 0, 1], [1, 0, 0], [0, 1, 0]]
⚡ahora Vamos a Empezar CON LA RED NEURONAL. Importamos la librinía scikit – учиться.
Scikit-Gue Es Noa Libresería Iteal Para Diseñar Y Redes Neuronals, Esta Librería ES USADA POR Speedify, Evernote Y Utiliza Algoritmos de Clasifación, Reveleseón, Agrupamiento Engre Otros. ES Nibryeria Genial Para Comenzar Antrar Tus Modelos de Machine обучение
🧡 TE DJO EL LINK CON LA DOCKESACION OFICATION:( https://scikit-learn.org/stable/ )
AHORA VAMOS Импортирует Nuestra Librería y Utilizar Uno de de sus algoritmos de clasifación:
from sklearn.neural_network import MLPClassifier clf = MLPClassifier(verbose=False, warm_start=True)
🧡este es en clasificador perceptrón multiacapa que tiene capacidad para visolver flaseas que Нет сына Линейные отделения.
Las Capas PuEden Clasifificarse en tres tipos 🤓:
- Capa de Entrada: CONSTUIDA POR ACELLAS NEURONAS que invertucen los patrones de entradada en la red. EN ESTAS NEURONAS NO SE Procesamiento.
- Capas ocultas: формадада POR ACELLAS NEURONAS CUYAS EntraDas Provienen de Capas Anderiores Y Cuyas Salidas Pasan Neuronas de Capasss
- Capa de Salida: Neuronas Cuyos Valores de Salida Se Conten Con Las Salidas de Toda La Red.
💚ahora Vamos Crage Nuestro Modelo Así:
model = clf.fit([data_X[0]], [data_y[0]]) print(model)
Луэго, Hacemos Una Función jugar a abrender Отказ La Idea es es es es es es es en es es es es es en uestra red neuronal empertieciec a Armender Ганар Пор Medio de la Empedensia. En la función diguals la predición que debe ser o выше al 95%.
def play_and_learn(iters=10, debug=False):
score = {"win": 0, "loose": 0}
data_X = []
data_y = []
for i in range(iters):
player1 = get_choice()
predict = model.predict_proba([str_to_list(player1)])[0]
if predict[0] >= 0.95:
player2 = options[0]
elif predict[1] >= 0.95:
player2 = options[1]
elif predict[2] >= 0.95:
player2 = options[2]
else:
player2 = get_choice()
if debug==True:
print("Player1: %s Player2 (modelo): %s --> %s" % (player1, predict, player2))
winner = search_winner(player1, player2)
if debug==True:
print("Comprobamos: p1 VS p2: %s" % winner)
if winner==2:
data_X.append(str_to_list(player1))
data_y.append(str_to_list(player2))
score["win"]+=1
else:
score["loose"]+=1
return score, data_X, data_y
Y lo ejecutamos así (queremos ver si nuestro modelo ha artrendido algo):
score, data_X, data_y = play_and_learn(1, debug=True)
print(data_X)
print(data_y)
print("Score: %s %s %%" % (score, (score["win"]*100/(score["win"]+score["loose"]))))
if len(data_X):
model = model.partial_fit(data_X, data_y)
Дескуас де эеекутар:
Player1: ✌ Player2 (modelo): [0.17561242 0.16144559 0.83639906] --> 👊
Comprobamos: p1 VS p2: 2
[[0, 1, 0]]
[[1, 0, 0]]
Score: {'win': 1, 'loose': 0} 100.0 %
💚Y Finglemente Vamos a Repetir Este Ejercicio un Montón de Veces, Los Algoritmos de Inteligencia Искусственные функциональные функции Gracias A La Repición Que Hace Y También Debido Al Gran Volumen de Ditos Que TeneMos Hoy En Día. POR LO Cual Nuestro Sistema Debe Resenarse Con On Montón de Iteraciones Para que adrenda Ганар.
i = 0
historic_pct = []
while True:
i+=1
score, data_X, data_y = play_and_learn(1000, debug=False)
pct = (score["win"]*100/(score["win"]+score["loose"]))
historic_pct.append(pct)
print("Iter: %s - score: %s %s %%" % (i, score, pct))
if len(data_X):
model = model.partial_fit(data_X, data_y)
if sum(historic_pct[-9:])==900:
break
Y depués de ejecutar que que:
Iter: 1 - score: {'win': 341, 'loose': 659} 34.1 %
Iter: 2 - score: {'win': 317, 'loose': 683} 31.7 %
Iter: 3 - score: {'win': 366, 'loose': 634} 36.6 %
Iter: 4 - score: {'win': 326, 'loose': 674} 32.6 %
Iter: 5 - score: {'win': 333, 'loose': 667} 33.3 %
Iter: 6 - score: {'win': 331, 'loose': 669} 33.1 %
Iter: 7 - score: {'win': 340, 'loose': 660} 34.0 %
Iter: 8 - score: {'win': 327, 'loose': 673} 32.7 %
Iter: 9 - score: {'win': 329, 'loose': 671} 32.9 %
Iter: 10 - score: {'win': 326, 'loose': 674} 32.6 %
Iter: 11 - score: {'win': 339, 'loose': 661} 33.9 %
Iter: 12 - score: {'win': 325, 'loose': 675} 32.5 %
Iter: 13 - score: {'win': 340, 'loose': 660} 34.0 %
Iter: 14 - score: {'win': 345, 'loose': 655} 34.5 %
Iter: 15 - score: {'win': 304, 'loose': 696} 30.4 %
Iter: 16 - score: {'win': 351, 'loose': 649} 35.1 %
Iter: 17 - score: {'win': 349, 'loose': 651} 34.9 %
Iter: 18 - score: {'win': 353, 'loose': 647} 35.3 %
Iter: 19 - score: {'win': 336, 'loose': 664} 33.6 %
Iter: 20 - score: {'win': 343, 'loose': 657} 34.3 %
Iter: 21 - score: {'win': 321, 'loose': 679} 32.1 %
Iter: 22 - score: {'win': 336, 'loose': 664} 33.6 %
Iter: 23 - score: {'win': 365, 'loose': 635} 36.5 %
Iter: 24 - score: {'win': 356, 'loose': 644} 35.6 %
Iter: 25 - score: {'win': 355, 'loose': 645} 35.5 %
Iter: 26 - score: {'win': 330, 'loose': 670} 33.0 %
Iter: 27 - score: {'win': 335, 'loose': 665} 33.5 %
Iter: 28 - score: {'win': 341, 'loose': 659} 34.1 %
Iter: 29 - score: {'win': 343, 'loose': 657} 34.3 %
Iter: 30 - score: {'win': 354, 'loose': 646} 35.4 %
Iter: 31 - score: {'win': 324, 'loose': 676} 32.4 %
Iter: 32 - score: {'win': 307, 'loose': 693} 30.7 %
Iter: 33 - score: {'win': 328, 'loose': 672} 32.8 %
Iter: 34 - score: {'win': 340, 'loose': 660} 34.0 %
Iter: 35 - score: {'win': 369, 'loose': 631} 36.9 %
Iter: 36 - score: {'win': 349, 'loose': 651} 34.9 %
Iter: 37 - score: {'win': 335, 'loose': 665} 33.5 %
Iter: 38 - score: {'win': 331, 'loose': 669} 33.1 %
Iter: 39 - score: {'win': 317, 'loose': 683} 31.7 %
Iter: 40 - score: {'win': 299, 'loose': 701} 29.9 %
Iter: 41 - score: {'win': 337, 'loose': 663} 33.7 %
Iter: 42 - score: {'win': 327, 'loose': 673} 32.7 %
Iter: 43 - score: {'win': 351, 'loose': 649} 35.1 %
Iter: 44 - score: {'win': 342, 'loose': 658} 34.2 %
Iter: 45 - score: {'win': 325, 'loose': 675} 32.5 %
Iter: 46 - score: {'win': 300, 'loose': 700} 30.0 %
Iter: 47 - score: {'win': 330, 'loose': 670} 33.0 %
Iter: 48 - score: {'win': 342, 'loose': 658} 34.2 %
Iter: 49 - score: {'win': 325, 'loose': 675} 32.5 %
Iter: 50 - score: {'win': 312, 'loose': 688} 31.2 %
Iter: 51 - score: {'win': 312, 'loose': 688} 31.2 %
Iter: 52 - score: {'win': 330, 'loose': 670} 33.0 %
Iter: 53 - score: {'win': 330, 'loose': 670} 33.0 %
Iter: 54 - score: {'win': 330, 'loose': 670} 33.0 %
Iter: 55 - score: {'win': 329, 'loose': 671} 32.9 %
Iter: 56 - score: {'win': 335, 'loose': 665} 33.5 %
Iter: 57 - score: {'win': 334, 'loose': 666} 33.4 %
Iter: 58 - score: {'win': 353, 'loose': 647} 35.3 %
Iter: 59 - score: {'win': 333, 'loose': 667} 33.3 %
Iter: 60 - score: {'win': 329, 'loose': 671} 32.9 %
Iter: 61 - score: {'win': 338, 'loose': 662} 33.8 %
Iter: 62 - score: {'win': 333, 'loose': 667} 33.3 %
Iter: 63 - score: {'win': 315, 'loose': 685} 31.5 %
Iter: 64 - score: {'win': 313, 'loose': 687} 31.3 %
Iter: 65 - score: {'win': 325, 'loose': 675} 32.5 %
Iter: 66 - score: {'win': 317, 'loose': 683} 31.7 %
Iter: 67 - score: {'win': 319, 'loose': 681} 31.9 %
Iter: 68 - score: {'win': 314, 'loose': 686} 31.4 %
Iter: 69 - score: {'win': 306, 'loose': 694} 30.6 %
Iter: 70 - score: {'win': 333, 'loose': 667} 33.3 %
Iter: 71 - score: {'win': 338, 'loose': 662} 33.8 %
Iter: 72 - score: {'win': 333, 'loose': 667} 33.3 %
Iter: 73 - score: {'win': 338, 'loose': 662} 33.8 %
Iter: 74 - score: {'win': 324, 'loose': 676} 32.4 %
Iter: 75 - score: {'win': 341, 'loose': 659} 34.1 %
Iter: 76 - score: {'win': 326, 'loose': 674} 32.6 %
Iter: 77 - score: {'win': 349, 'loose': 651} 34.9 %
Iter: 78 - score: {'win': 315, 'loose': 685} 31.5 %
Iter: 79 - score: {'win': 341, 'loose': 659} 34.1 %
Iter: 80 - score: {'win': 306, 'loose': 694} 30.6 %
Iter: 81 - score: {'win': 356, 'loose': 644} 35.6 %
Iter: 82 - score: {'win': 353, 'loose': 647} 35.3 %
Iter: 83 - score: {'win': 357, 'loose': 643} 35.7 %
Iter: 84 - score: {'win': 305, 'loose': 695} 30.5 %
Iter: 85 - score: {'win': 342, 'loose': 658} 34.2 %
Iter: 86 - score: {'win': 352, 'loose': 648} 35.2 %
Iter: 87 - score: {'win': 318, 'loose': 682} 31.8 %
Iter: 88 - score: {'win': 339, 'loose': 661} 33.9 %
Iter: 89 - score: {'win': 334, 'loose': 666} 33.4 %
Iter: 90 - score: {'win': 339, 'loose': 661} 33.9 %
Iter: 91 - score: {'win': 328, 'loose': 672} 32.8 %
Iter: 92 - score: {'win': 325, 'loose': 675} 32.5 %
Iter: 93 - score: {'win': 330, 'loose': 670} 33.0 %
Iter: 94 - score: {'win': 331, 'loose': 669} 33.1 %
Iter: 95 - score: {'win': 328, 'loose': 672} 32.8 %
Iter: 96 - score: {'win': 324, 'loose': 676} 32.4 %
Iter: 97 - score: {'win': 343, 'loose': 657} 34.3 %
Iter: 98 - score: {'win': 344, 'loose': 656} 34.4 %
Iter: 99 - score: {'win': 326, 'loose': 674} 32.6 %
Iter: 100 - score: {'win': 350, 'loose': 650} 35.0 %
Iter: 101 - score: {'win': 319, 'loose': 681} 31.9 %
Iter: 102 - score: {'win': 313, 'loose': 687} 31.3 %
Iter: 103 - score: {'win': 344, 'loose': 656} 34.4 %
Iter: 104 - score: {'win': 349, 'loose': 651} 34.9 %
Iter: 105 - score: {'win': 343, 'loose': 657} 34.3 %
Iter: 106 - score: {'win': 360, 'loose': 640} 36.0 %
Iter: 107 - score: {'win': 350, 'loose': 650} 35.0 %
Iter: 108 - score: {'win': 306, 'loose': 694} 30.6 %
Iter: 109 - score: {'win': 331, 'loose': 669} 33.1 %
Iter: 110 - score: {'win': 340, 'loose': 660} 34.0 %
Iter: 111 - score: {'win': 314, 'loose': 686} 31.4 %
Iter: 112 - score: {'win': 334, 'loose': 666} 33.4 %
Iter: 113 - score: {'win': 337, 'loose': 663} 33.7 %
Iter: 114 - score: {'win': 332, 'loose': 668} 33.2 %
Iter: 115 - score: {'win': 331, 'loose': 669} 33.1 %
Iter: 116 - score: {'win': 332, 'loose': 668} 33.2 %
Iter: 117 - score: {'win': 347, 'loose': 653} 34.7 %
Iter: 118 - score: {'win': 343, 'loose': 657} 34.3 %
Iter: 119 - score: {'win': 319, 'loose': 681} 31.9 %
Iter: 120 - score: {'win': 353, 'loose': 647} 35.3 %
Iter: 121 - score: {'win': 366, 'loose': 634} 36.6 %
Iter: 122 - score: {'win': 323, 'loose': 677} 32.3 %
Iter: 123 - score: {'win': 335, 'loose': 665} 33.5 %
Iter: 124 - score: {'win': 343, 'loose': 657} 34.3 %
Iter: 125 - score: {'win': 328, 'loose': 672} 32.8 %
Iter: 126 - score: {'win': 322, 'loose': 678} 32.2 %
Iter: 127 - score: {'win': 341, 'loose': 659} 34.1 %
Iter: 128 - score: {'win': 348, 'loose': 652} 34.8 %
Iter: 129 - score: {'win': 323, 'loose': 677} 32.3 %
Iter: 130 - score: {'win': 366, 'loose': 634} 36.6 %
Iter: 131 - score: {'win': 324, 'loose': 676} 32.4 %
Iter: 132 - score: {'win': 346, 'loose': 654} 34.6 %
Iter: 133 - score: {'win': 319, 'loose': 681} 31.9 %
Iter: 134 - score: {'win': 314, 'loose': 686} 31.4 %
Iter: 135 - score: {'win': 343, 'loose': 657} 34.3 %
Iter: 136 - score: {'win': 315, 'loose': 685} 31.5 %
Iter: 137 - score: {'win': 345, 'loose': 655} 34.5 %
Iter: 138 - score: {'win': 538, 'loose': 462} 53.8 %
Iter: 139 - score: {'win': 540, 'loose': 460} 54.0 %
Iter: 140 - score: {'win': 549, 'loose': 451} 54.9 %
Iter: 141 - score: {'win': 589, 'loose': 411} 58.9 %
Iter: 142 - score: {'win': 574, 'loose': 426} 57.4 %
Iter: 143 - score: {'win': 570, 'loose': 430} 57.0 %
Iter: 144 - score: {'win': 539, 'loose': 461} 53.9 %
Iter: 145 - score: {'win': 525, 'loose': 475} 52.5 %
Iter: 146 - score: {'win': 542, 'loose': 458} 54.2 %
Iter: 147 - score: {'win': 550, 'loose': 450} 55.0 %
Iter: 148 - score: {'win': 539, 'loose': 461} 53.9 %
Iter: 149 - score: {'win': 561, 'loose': 439} 56.1 %
Iter: 150 - score: {'win': 527, 'loose': 473} 52.7 %
Iter: 151 - score: {'win': 521, 'loose': 479} 52.1 %
Iter: 152 - score: {'win': 553, 'loose': 447} 55.3 %
Iter: 153 - score: {'win': 575, 'loose': 425} 57.5 %
Iter: 154 - score: {'win': 550, 'loose': 450} 55.0 %
Iter: 155 - score: {'win': 547, 'loose': 453} 54.7 %
Iter: 156 - score: {'win': 556, 'loose': 444} 55.6 %
Iter: 157 - score: {'win': 574, 'loose': 426} 57.4 %
Iter: 158 - score: {'win': 569, 'loose': 431} 56.9 %
Iter: 159 - score: {'win': 586, 'loose': 414} 58.6 %
Iter: 160 - score: {'win': 513, 'loose': 487} 51.3 %
Iter: 161 - score: {'win': 553, 'loose': 447} 55.3 %
Iter: 162 - score: {'win': 554, 'loose': 446} 55.4 %
Iter: 163 - score: {'win': 535, 'loose': 465} 53.5 %
Iter: 164 - score: {'win': 559, 'loose': 441} 55.9 %
Iter: 165 - score: {'win': 565, 'loose': 435} 56.5 %
Iter: 166 - score: {'win': 546, 'loose': 454} 54.6 %
Iter: 167 - score: {'win': 562, 'loose': 438} 56.2 %
Iter: 168 - score: {'win': 582, 'loose': 418} 58.2 %
Iter: 169 - score: {'win': 560, 'loose': 440} 56.0 %
Iter: 170 - score: {'win': 528, 'loose': 472} 52.8 %
Iter: 171 - score: {'win': 567, 'loose': 433} 56.7 %
Iter: 172 - score: {'win': 571, 'loose': 429} 57.1 %
Iter: 173 - score: {'win': 561, 'loose': 439} 56.1 %
Iter: 174 - score: {'win': 561, 'loose': 439} 56.1 %
Iter: 175 - score: {'win': 564, 'loose': 436} 56.4 %
Iter: 176 - score: {'win': 557, 'loose': 443} 55.7 %
Iter: 177 - score: {'win': 538, 'loose': 462} 53.8 %
Iter: 178 - score: {'win': 569, 'loose': 431} 56.9 %
Iter: 179 - score: {'win': 558, 'loose': 442} 55.8 %
Iter: 180 - score: {'win': 537, 'loose': 463} 53.7 %
Iter: 181 - score: {'win': 560, 'loose': 440} 56.0 %
Iter: 182 - score: {'win': 757, 'loose': 243} 75.7 %
Iter: 183 - score: {'win': 771, 'loose': 229} 77.1 %
Iter: 184 - score: {'win': 772, 'loose': 228} 77.2 %
Iter: 185 - score: {'win': 775, 'loose': 225} 77.5 %
Iter: 186 - score: {'win': 783, 'loose': 217} 78.3 %
Iter: 187 - score: {'win': 761, 'loose': 239} 76.1 %
Iter: 188 - score: {'win': 789, 'loose': 211} 78.9 %
Iter: 189 - score: {'win': 774, 'loose': 226} 77.4 %
Iter: 190 - score: {'win': 783, 'loose': 217} 78.3 %
Iter: 191 - score: {'win': 769, 'loose': 231} 76.9 %
Iter: 192 - score: {'win': 792, 'loose': 208} 79.2 %
Iter: 193 - score: {'win': 785, 'loose': 215} 78.5 %
Iter: 194 - score: {'win': 789, 'loose': 211} 78.9 %
Iter: 195 - score: {'win': 772, 'loose': 228} 77.2 %
Iter: 196 - score: {'win': 780, 'loose': 220} 78.0 %
Iter: 197 - score: {'win': 783, 'loose': 217} 78.3 %
Iter: 198 - score: {'win': 797, 'loose': 203} 79.7 %
Iter: 199 - score: {'win': 772, 'loose': 228} 77.2 %
Iter: 200 - score: {'win': 759, 'loose': 241} 75.9 %
Iter: 201 - score: {'win': 778, 'loose': 222} 77.8 %
Iter: 202 - score: {'win': 774, 'loose': 226} 77.4 %
Iter: 203 - score: {'win': 769, 'loose': 231} 76.9 %
Iter: 204 - score: {'win': 792, 'loose': 208} 79.2 %
Iter: 205 - score: {'win': 749, 'loose': 251} 74.9 %
Iter: 206 - score: {'win': 791, 'loose': 209} 79.1 %
Iter: 207 - score: {'win': 753, 'loose': 247} 75.3 %
Iter: 208 - score: {'win': 792, 'loose': 208} 79.2 %
Iter: 209 - score: {'win': 803, 'loose': 197} 80.3 %
Iter: 210 - score: {'win': 767, 'loose': 233} 76.7 %
Iter: 211 - score: {'win': 779, 'loose': 221} 77.9 %
Iter: 212 - score: {'win': 782, 'loose': 218} 78.2 %
Iter: 213 - score: {'win': 767, 'loose': 233} 76.7 %
Iter: 214 - score: {'win': 791, 'loose': 209} 79.1 %
Iter: 215 - score: {'win': 1000, 'loose': 0} 100.0 %
Iter: 216 - score: {'win': 1000, 'loose': 0} 100.0 %
Iter: 217 - score: {'win': 1000, 'loose': 0} 100.0 %
Iter: 218 - score: {'win': 1000, 'loose': 0} 100.0 %
Iter: 219 - score: {'win': 1000, 'loose': 0} 100.0 %
Iter: 220 - score: {'win': 1000, 'loose': 0} 100.0 %
Iter: 221 - score: {'win': 1000, 'loose': 0} 100.0 %
Iter: 222 - score: {'win': 1000, 'loose': 0} 100.0 %
Iter: 223 - score: {'win': 1000, 'loose': 0} 100.0 %
💜💜💜💜💜💜💜💜💜💜💜💜💜💜💜💜💜💜💜💜💜💜💜💜💜.
SE Puede Ver El Sistema SE Comporta Igual que uni niño que está astrendiendo algo nuevo, gracias a la exprementia Y Repición Finglemente Alcanza ООН Оценка дель 100%. 😀 ESTO HA SIDO TODO, APRENDIMOS QUE SIDO PODEMOS USAR La Programación Para Armender Cosas de Manera divertida⭐, que las máquinas tiene un lenguaje Особое y Mediante Una Serie de Insrucciones Podemos EnseaRles Casi Custquier Cosa. 😮 финализация Estudiamos un Poco Sobre Redes Neuronals y Crowsos un Sistema de Clasifación Perceptrón MultiCapa. 😎
Dejame en los comentarios si te gusto o si tienes alguna dusta, yo estaría feliz de ayudarte y Espero ver pronto tus divertidas creaciones de Машинное обучение.
Mouseas Gracias💜.
Оригинал: “https://dev.to/marisbotero/juguemos-piedra-papel-y-tijera-con-redes-neuronales-2pm4”