Autoencoders: Una Red Neuronal que Codifica y Reconstruye Datos en Python
Ya has superado la mitad. Estás muy cerca de completar el curso.
Sobre esta lección
Un autoencoder o autocodificador es un tipo de arquitectura de red neural diseñada para codificar datos o para extraer las características esenciales de los datos, y a partir de esa representación esencial reconstruir la entrada original. Este video explica qué son los autoencoders, cómo funcionan, para qué sirven y cómo programarlos con python. 👉 Xiperia ofrece consultoría empresarial que transforma datos en conocimiento accionable para alcanzar los objetivos de tu negocio. Conoce más en https://www.xiperia.com ℹ️ Octavio Gutiérrez es el único responsable del contenido, afirmaciones y opiniones expresadas en este video, las cuales no están vinculadas a las organizaciones a las que está asociado. 🌐 Para conocer más sobre Octavio Gutiérrez, visita su perfil en LinkedIn https://www.linkedin.com/in/octaviogutierrez/ Para citar este recurso educativo utiliza la siguiente referencia: Gutiérrez-García, J.O. [Código Máquina]. (2025, 18 de Agosto). Autoencoders: Una Red Neuronal que Codifica y Reconstruye Datos en Python [Video]. YouTube. [Incluye aquí la URL del video] ******************************************** Para guiar tu aprendizaje, en este vínculo (https://youtu.be/lomJnbN5Wnk) se encuentra una guía secuencial para aprender: 1. Programación Básica con Python; 2. Manejo de Datos; 3. Visualización de Datos; 4. Análisis de Datos; y 5. Aprendizaje de Máquina y Ciencia de Datos. ******************************************** Aquí una lista de videos que están relacionados con autoencoders y que son citados en el video: 1. Backpropagation: Cómo Aprende Matemáticamente una Red Neuronal (https://youtu.be/iOsR-EC9z6I) 2. Tu primera Red Neuronal para Clasificar Imágenes (https://youtu.be/uM4u7P2xkO8) 3. Funciones de Pérdida o Error (https://youtu.be/cI2TSlO-VIc) 4. Análisis de Componentes Principales (PCA) para Reducir la Dimensionalidad de Datos (https://youtu.be/x-7BHjMA15M) 5. Funciones de Activación de Redes Neuronales (https://youtu.be/wzMMyTx7DKk) ******************************************** Índice del Video: 0:00 Introducción 0:48 Qué es un autoencoder 8:17 Codificador y decodificador 8:41 Espacio latente 10:56 Aplicaciones de autoencoders 13:00 Ejemplo: Quitar ruido de una imagen 13:43 Autoencoder en Python y TensorFlow El código y datos se encuentran disponibles en: https://github.com/CodigoMaquina/code/blob/main/machine_learning_python/autoenconders.ipynb ⭐ Apoya a Código Máquina dando un Like, Comentando, Compartiendo o con un Super Gracias. ⭐ De la co-fundadora de Código Máquina, productos de cosmética natural SINHAKI: https://www.amazon.com.mx/stores/sinHaki/page/1BD34FBC-C0F9-44F5-AC69-520634334C61?ref_=ast_bln #DeepLearning #AprendizajeProfundo #MachineLearning #RedesNeuronales #IA #AI #Python #DataScience #CienciaDeDatos #InteligenciaArtificial #AprendizajeAutomático #AprendizajeDeMaquina
Sobre este curso
Esta serie de videos explica los siguientes temas dentro del dominio de la ciencia de datos o data science: - Imputación o manejo de datos faltantes - Codificación de datos categóricos - Técnicas de escalamiento, normalización y estandarización. - Validación cruzada (cross-validation) - Ajuste de hiperparámetros - Técnicas para lidiar con clases desbalanceadas - Distribución de datos e histogramas - Detección de datos anómalos con diagramas de caja y la regla de Tukey - Detección de datos anómalos con iForests (bosques de aislamiento) - Regresión lineal - K-vecinos más cercanos para clasificación - K-vecinos más cercanos para regresión. - Conjuntos de clasificadores o regresores (Bagging) - Regresión logística - Impureza Gini - Bosques aleatorios para clasificación - Objetivos de los conjuntos de datos para entrenamiento, validación y prueba - La maldición de la dimensionalidad - Fuentes de datos - Detección de clusters con k-means - Detección de clusters con DBSCAN - Tipos de distancias para Clustering - Métricas de regresión. - Visualización de datos con matplotlib - Manejo y análisis de datos con pandas Las librerías que se utilizan son scikit-learn (sklearn), matplotlib, numpy y pandas.
Lo que aprenderás en este curso:
- Comprender el proceso completo de análisis de datos
- Recopilar, limpiar y transformar conjuntos de datos
- Crear visualizaciones de datos informativas y atractivas
- Aplicar estadística descriptiva e inferencial