Redes Neuronales Profundas y Back-Propagation | Clase 4 | Curso Aprendizaje Profundo 2021
Sigue así. Cada lección te acerca más a tu certificado.
Sobre esta lección
En la clase de hoy vamos a construir redes neuronales con más capas con el propósito de ser capaces de aprender funciones no lineales para resolver problemas más complejos. Además veremos cómo adaptar el descenso por gradiente para actualizar los parámetros de dichas capas apiladas. También veremos cómo implementarlas desde cero en Python, para entender sus mecánicas internas, y utilizando el framework Pytorch, que es como se implementan en la cotidianeidad. Esta clase es parte de un curso gratuito dictado en la Ciudad de Mendoza, Argentina en Otoño de 2021. Podés encontrar todo el material en https://datitos.github.io/curso-aprendizaje-profundo/2021/ 0:00 Repaso del Concepto de Redes Neuronales 2:20 Limitaciones de las Redes Neuronales de Una Capa 12:38 Funciones de Activación 21:52 Convergencia en Modelo No Lineales 24:55 Teoremas de Aproximación Universal 26:10 Back-Propagation 31:10 Implementación de una Red Neuronal Multicapa desde 0 con Python 34:20 Implementación de una Red Neuronal Multicapa con PyTorch 37:23 Implementación Matricial del Back-Propagation
Sobre este curso
https://datitos.github.io/curso-aprendizaje-profundo En los últimos cinco años el aprendizaje profundo ha tomado al mundo por sorpresa, impulsando un rápido progreso en campos tan diversos como la visión por computadora, el procesamiento del lenguaje natural, el reconocimiento automático del habla, el aprendizaje por refuerzos y el modelado estadístico. Hemos elegido basar el curso en el libro Dive into Deep Learning, consideramos que ofrece un enfoque práctico, amplio y moderno, incluye matemáticas y código, y sus contenidos son actuales. Este curso representa nuestro intento de hacer que el aprendizaje profundo sea accesible, enseñándote los conceptos, el contexto y el código. Nos propusimos crear un recurso que simultáneamente pudiera: * estar disponible gratuitamente para todes; * ofrecer suficiente profundidad técnica para * proporcionar un punto de partida en el camino de convertirte en unx científicx de datos; * incluir código ejecutable, que muestre cómo resolver problemas en la práctica. El curso está dirigido a estudiantes de grado o posgrado, ingenierxs e investigadores que busquen un conocimiento sólido del aprendizaje profundo.
Lo que aprenderás en este curso:
- Comprender los fundamentos del aprendizaje automático
- Implementar algoritmos de clasificación y regresión
- Preparar y limpiar datos para modelos predictivos
- Evaluar y optimizar modelos de machine learning