Fundamentos pr谩cticos

1

Aplica Platzidoro en este curso y asegura el 茅xito de tu aprendizaje

2

Los fundamentos de machine learning que aprender谩s

3

Introducci贸n a Numpy

4

Introducci贸n y manipulaci贸n de datos con Pandas

5

Introducci贸n a ScikitLearn

6

Comandos b谩sicos de las librer铆as usadas en el curso (Numpy, Pandas y ScikitLearn)

Regresi贸n Lineal y Log铆stica

7

驴Qu茅 es la predicci贸n de datos?

8

Sobreajuste y subajuste en los datos

9

Regresi贸n lineal simple y regresi贸n lineal m煤ltiple

10

Regresi贸n lineal simple con Scikit-Learn: divisi贸n de los datos

11

Regresi贸n lineal simple con Scikit-Learn: creaci贸n del modelo

12

Regresi贸n log铆stica con Scikit-Learn: definici贸n y divisi贸n de datos

13

Regresi贸n log铆stica con Scikit-Learn: evaluaci贸n del modelo

14

Matriz de confusi贸n

15

PlatziDoro C谩psula 1

脕rboles de decisi贸n

16

驴Qu茅 es un 谩rbol de decisi贸n y c贸mo se divide?

17

Comprendiendo nuestro data set para la creaci贸n de un 谩rbol de decisi贸n

18

Creando un clasificador con Scikit-Learn

19

Entrenamiento del modelo de clasificaci贸n

20

Visualizaci贸n del 谩rbol de decisi贸n

K-Means

21

驴Qu茅 es K-Means?

22

Cargando el data set de Iris

23

Construcci贸n y evaluaci贸n del modelo con K-Means

24

Graficaci贸n del modelo

25

PlatziDoro C谩psula 2

Aprendizaje profundo

26

Introducci贸n al aprendizaje profundo

27

Conceptos b谩sicos de Tensor Flow

28

Red neuronal convolucional

29

Conociendo el set de datos para la creaci贸n de la red neuronal

30

Crea y entrena tu primera red neuronal convolucional con Tensor Flow

31

Evaluaci贸n de la red convolucional

32

PlatziDoro C谩psula 3

Despedida

33

Recomendaciones para analizar correctamente tu problema

34

Siguientes pasos para continuar aprendendiendo de Machine Learning

No tienes acceso a esta clase

隆Contin煤a aprendiendo! 脷nete y comienza a potenciar tu carrera

Red neuronal convolucional

28/34
Recursos

Aportes 11

Preguntas 0

Ordenar por:

Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Reg铆strate o inicia sesi贸n para participar.

b谩sicamente cada capa capta cierto atributos de la imagen, generalmente las primeras captan 鈥渂ordes鈥 , pero entre mas profunda la red capta caracteristicas mas complejas. En si aplicar una convolucion resulta en aplicar una matriz de numeros a la imagende input vista igualmente como una matriz de n煤meros. donde dichos numeros hacen referencia a los pixeles de la misma que van de 0 a 256. El tema es valga la redundancia muy profundo pero espero el comentario sirva a algunos.

Aqu铆 un video pare entender el mejor o ampliar el conocimiento sobre redes neuronales convoucionales: https://www.youtube.com/watch?v=V8j1oENVz00

Red neuronal convolucional:

  • utilizada para el reconocimiento de imagenes.
  • divide la informacion de una manera consecutiva de modo que se concentra en aprender cada seccion en particular.
  • al final, se une cada parte del aprendizaje para asignarle una etiqueta.

Red neuronal convolucional:

  • Modelan de forma consecutiva peque帽as piezas de informaci贸n, al final combinan informaci贸n en las capas m谩s profundas de la red.
  • 脡sta red es especial para trabajar im谩genes y audios.

Red neuronal convolucional

Modelan de forma consecutiva peque帽as piezas de informaci贸n, al final combinan informaci贸n en las capas m谩s profundas de la red.

Existen diferentes tipos de redes neuronales para diversas tareas, a la hora de manejar im谩genes o audio se usan redes neuronales convolucionales

Las redes neuronales convolucionales se caracterizan porque tienen una secci贸n que va dividiendo la informaci贸n de una manera consecutiva

De esta forma se puede enfocar en aprender 煤nicamente ciertas secciones

logrando as铆 encontrar diferentes patrones que existen en los datos

en el caso de las im谩genes se divide en multiples segmentos y cada segmento se vuelve una capa que es analizada para luego procesarla con las funciones de activaci贸n

la capa de salida se calcula en base a los pesos de cada una de las caracter铆sticas para as铆 poder asignarles una etiqueta a los datos.

En el siguiente enlace se muestra gr谩ficamente sobre Redes Neuronales Convolucionales por Dot CSV

C贸mo funciona una red neuronal convolucional

Cabe recalcar que las redes neuronales convolucionales son un tipo de arquitectura y que usualmente se usa para im谩genes y gen贸mica. Otros tipos de arquitectura son Deep Feed-Forward y Recurrent.

Convolutional neural network

Muy bueno el tema y se entiende

Red Neuronal convolucional
Nos premite dividir la informaci贸n en peque帽as piezas que se van combinando en las capas m谩s profundas de la red, as铆 la red puede enfocarse en aprender 煤nicamente ciertas 谩reas de la informaci贸n para luego integrarlas en un todo.