Entrada destacada

Aplicando reglas de seguridad para la base de datos en #Firebase

El tema de las reglas de seguridad en #Firebase generalmente se minimiza pero, como están deduciendo en este momento, son muy importantes. #Firebase incorpora un lenguaje flexible para esta configuración. Además algo que me pareció muy interesante es el simulador que permite rápidamente detectar el comportamiento de las reglas aplicadas. Más detalles desde el sitio oficial aquí . Practicando con el simulador, veamos una animación donde validamos las reglas para usuarios autenticados. Ahora, cambiamos la regla de lectura genérica, para solo permitir a modo de ejemplo la autenticación utilizando el proveedor #google. En el video propuesto a continuación, y siguiendo el desarrollo del este #codelab propuesto por el equipo de #googledevelopers, ponemos en práctica la descripción básica sobre las reglas de seguridad en #Firebase. Aplicando reglas de seguridad para la base de datos en #Firebase por Nicolas Bortolotti se distribuye bajo una Licencia Creative Commons Atribu

Cloud Vision API y la propuesta de #image-attributes

La propuesta de esta API es variada, pero al profundizar sobre #image-attributes llegan varios interrogantes... documentación? ejemplos de uso? especificación de respuesta de la API?, incluso el mensaje de "detección sobre los principales atributos de la imagen" hace atractivo el conocer más. En fin, lo único que pude implementar, es la detección del color dominante de una foto y es lo único propuesto por esta característica actualmente. Les cuento la experiencia: Aquí el portal oficial de la API y su propuesta. En la documentación propuesta luego de mirar el overview, lo interesante es la especificación de opciones propuesta. https://cloud.google.com/vision/reference/rest/ El método " annotate " es la única opción general para esta v1. Vamos a buscar más información sobre la sección de #image-attributes . Bien, en la sección de #ImageProperties al final, encontrarán una vaga descripción de cómo usar esta funcionalidad. Solo podemos trabajar con #domi

Aprendizaje automático, #tensorflow y sus contenidos en español

El cautivante mundo del aprendizaje automático está cada minuto más presente en el mundo de los #desarrolladores. En simples palabras aprender de ejemplos y experiencias. En este artículo les comparto algunos contenidos para quienes estén interesados en profundizar sobre este campo. Ahh me olvidaba, lo podrás visualizar en español si esa era tu preocupación. El equipo de #GoogleDevelopers, nos deja una magnífica #serie llamada "ML [machine learning]", conducida por Josh Gordon, ahora también con subtítulos en español. En la primera entrega se comenta una introducción al aprendizaje automático, se proponen dos librerías para desarrollar, por cierto muy conocidas #scikit-learn y #tensorflow , una introducción al concepto y una pregunta interesante. Veamos la pregunta: puedes escribir código que diga la diferencia entre una manzana y una naranja? lo podrías hacer sin aprendizaje automático? Claramente tendríamos que escribir muchas reglas, para este tipo de problema

100 mujeres dicen... #tensorflow #clasificación

Seguramente al leer el título llegan a tu mente gran cantidad de situaciones, se entiende, luego me cuentas tu opinión!. En este artículo el caso propone alimentar un modelo de clasificación en #tensorflow utilizando información de una social-survey donde mujeres opinan sobre las características de una parejas ideal.  Podrá #tensorflow ayudarnos a clasificar esta información? Cada una de las mujeres clasifica con preguntas simple como es un hombre [#Tirano, #Aventurero, #Apasionado]. Esta información está almacenada en #Bigquery [se podrían utilizar otro métodos de almacenamiento, pero sin pensamos en la escala esta opción es muy atractiva]. Ahora, a este conjunto de datos lo vamos a utilizar para entrenar nuestro modelo en  #tensorflow. [podemos integrar directamente la información desde #Bigquery mediante API o podemos descargar un csv y entrenar el modelo de forma clásica]. Vamos a utilizar   tf.contrib.learn [link]   esta API de alto nivel para hacer más simple la c

Firebase desde el entorno web, implementando #FriendlyChat #Codelab

#Firebase propone una interesante lista de características que para determinados desafíos de desarrollo es fundamental conocer. En este artículo vamos a seguir los primeros pasos de un muy buen #codelab propuesto por el equipo de #GoogleDevelopers. [ FriendlyChat . Fig.1]. El paso a paso oficial completo lo pueden encontrar aquí . Fig.1 repositorio oficial del codelab Inicialmente vamos a configurar el proyecto e instalar la herramientas de línea de comando. Pueden ver los detalles de implementación en este video: En el paso 2 vamos a configurar el inicio de sesión con #Firebase . Pueden ver los detalles de implementación en este video. En el paso 3 vamos a configurar la lectura de mensajes , utilizando un atajo [importando un archivo json con mensajes preconfigurados para simular mensajes escritos]. No se preocupen que en las siguientes entregas, configuraremos la escritura de mensajes y dejaremos operativo el chat. Firebase desde el entorno web, impleme