Descifrando el Misterio: Redes Neuronales Convolucionales (CNNs) con Python y Tensorflow
Ya has superado la mitad. Estás muy cerca de completar el curso.
Sobre esta lección
Las redes neuronales convolucionales, son un tipo de red neuronal especializada en procesar datos que se encuentran en un formato rejilla, por ejemplo, imágenes. De hecho, comúnmente se usan para clasificar imágenes aunque también se llegan a utilizar para hacer pronósticos. En este video se explica visualmente y paso a paso cómo funcionan las redes neuronales convolucionales y cómo programarlas utilizando python y tensorflow. 👉 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]. (2024, 9 de Julio). Descifrando el Misterio: Redes Neuronales Convolucionales (CNNs) con Python y Tensorflow [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. ******************************************** Índice del Video: 0:00 Introducción 0:45 Imágenes RGB 3:21 Arquitectura de una Red Convolucional 5:55 Mapa de Características 9:26 Filtros o Kernels 10:30 Operación Convolución 14:08 Padding o Relleno 18:59 Etapa Detector (ReLUs) 24:09 Operación Pooling 26:15 Max y Average Pooling 26:55 Stride o Zancada 28:55 Stride o Zancada 31:53 Conjunto de Datos para Ejemplo 32:43 Red Convolucional con Python, Tensorflow y Keras El código y datos se encuentran disponibles en: https://github.com/CodigoMaquina/code/blob/main/machine_learning_python/redes_convolucionales.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