Mi proyecto del curso: Introducción a la IA con Python_Clasificador Bananas Buenas y Bananas Dañadas

Este proyecto busca la identificación de frutas o verduras en mal estado, en mi caso la hice para bananas pero igual seria escalable para cualquier otro tipo.

La manera como se desarrollo fue primero creando una red convolucional sin herencia de aprendizaje utilizando solo la data recopilada.

Se utlilizo el siguiente modelo:

modelo = tf.keras.Sequential([
tf.keras.layers.Conv2D(32, (3,3), input_shape=(224,224,3), activation="relu"),
tf.keras.layers.MaxPooling2D(2,2), #capa de agrupación

#Nuevo Filtro

tf.keras.layers.Conv2D(64, (3,3), activation="relu"), #capa convolución
tf.keras.layers.MaxPooling2D(2,2), #capa de agrupación

#Nuevo Filtro

tf.keras.layers.Conv2D(128, (3,3), activation="relu"), #capa convolución
tf.keras.layers.MaxPooling2D(2,2), #capa de agrupación

#Agragamos una capa regular neuronal

tf.keras.layers.Flatten(),
tf.keras.layers.Dense(units = 100, activation = "relu"), #aca se trabajan cien neuronas en esta capa
tf.keras.layers.Dense(2, activation = "sigmoid") #capa de salida
])

A continuación comparto los enlaces donde esta la data y los enlaces de Google Colab.

Dataset bananas https://drive.google.com/drive/folders/13Ga4AvUeFKrDKWVufPQwldIEtTEIoEPG?usp=sharing

Enlace Google Colab Sin Transferencia de aprendizaje https://colab.research.google.com/drive/1qrT-7zYGLmYvMsvAsdTwFkFJlrWC5Li3?usp=sharing

Enlace Google Colab Con Transferencia de Aprendizaje https://colab.research.google.com/drive/16I0OOc9qmKHvxI_pqcGES7-o06aSqEjh?usp=sharing

Conclusión: Utilizando los dos métodos se puede concluir que con la transferencia de aprendizaje el modelo es más efectivo, ya que haciendo las pruebas sin transferencia de aprendizaje el modelo es menos preciso en sus resultados.

Lo que no se entiende es como en los gráficos el modelo sin transferencia de aprendizaje aparentemente es más preciso y tiene menos perdidas?