Aprender conceptos iniciales de Deep Learning

1

¿Qué es el Deep Learning?

2

¿Qué son las redes neuronales artificiales?

3

¿Por qué el Deep Learning ahora?

4

Pytorch y los diferentes frameworks de Deep Learning

5

Setup en Google Colab

Entender la API de Pytorch

6

¿Qué son los tensores?

7

Tensores y datasets

8

Capas de una red neuronal en Pytorch

9

Crear una red neuronal en Pytorch

10

¿Cómo cargar datos en Pytorch?

11

¿Cómo entrenar una red en Pytorch?

12

Loop de entrenamiento de la red neuronal

Entrenar Redes Neuronales Profundas

13

Ciclo de trabajo para el Deep Learning

14

Espacio de modelos

15

Función de perdida

16

Método de optimización: SGD y Backpropagation

17

Autograd y métodos de optimización

18

¿Cómo evaluar la performance de la red neuronal?

19

Regularización de redes neuronales profundas

20

Implementando la Regularización

21

Optimización de hiperparametros

22

Transfer learning

Construir nuestro propio modelo

23

Presentación del problema

24

Definiendo la red generativa que construiremos: CycleGAN

25

Creando la red generadora convolucional

26

Creando el decoder de la red generadora

27

Construyendo las redes discriminativas

28

Preparando el entrenamiento

29

Instanciando redes, perdidas

30

Instanciando optimizadores y schedulers

31

Calculando las pérdidas

32

Entrenando

33

Cómo visualizar y debugear el entrenamiento

34

Cómo utilizar tu modelo una vez entrenado

35

Cómo utilizar una GPU personal con Google Cloud

Llegar más lejos

36

¿Por qué el Deep Learning es más poderoso que el Machine Learning Tradicional?

37

Para ir más lejos

38

Cierre del curso

Bonus

39

¿Por qué aprender Deep Learning?

¿Qué es el Deep Learning?

1/39
Recursos
Transcripción

Aportes 23

Preguntas 3

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.

Que tal compañeros!!!
Vengo a hacer un poco de spam, pero del bueno eh!. Soy Graduado XD de la carrera de Inteligencia artificial
y Machine learning
, y quiero mostrarles este proyecto personal que desarrollé :
.
https://motoclassifier.herokuapp.com/


.
Es una app muy sencilla pero hermosa (para mí) de Aprendizaje supervisado que clasifica imagenes de motocicletas en 1 de 10 categorias disponibles. Esta aún sigue en desarrollo ya que solo se ha conseguido un 60% de accuracy.
.
Lo genial? Todo, desde la creacion del dataset, el diseño de la red(aunque se baso en la que el profe aquí presenta), la implementacion, el entrenamiento y hasta el deploy fue “made by myself” gracias a cursos de Platzi.
.
Mas que presunción me gustaría que esto se tomara como un ejemplo de que si se puede y que Platzi funciona!!
.
Si les gusta el proyecto o quieren hacer sus propios desarollos sobre este siganlo en GitHub
Ademas que con el desarrollo de la app se lograron crear dos tutoriales:

Saludos!

Les dejo este tutorial que hice en github de pytorch, ojala les sirva.

https://github.com/p1gm1/Tutorial-pytorch

Muy interesante todo.

Juan Pablo, me gustó esta introducción, es clara y motivadora.

Excelente, justo lo que estaba muy interesado en aprender.

¡Excelente intro Juan Pablo! Motivadora

Dato real: En la investigación en inteligencia artificial, la mayoría de los investigadores utilizan pytorch

Pix2Pix: Convertir bosquejos en fotografías más complejas.

- Music Variational AutoEncoder VAE: Unir dos pistas de música en una.

Aplicaciones del Deep Learning: - DL Generativo: Crear rostros nuevos a partir de un set de otros rostros

El DP explotó en el 2010 por la implementación de las GPU robustas en el mercado para entornos productivos.

Podrían haber comentado algo de OpenAi y Dota2, crearon un equipo de bots capaces de ganarles a los jugadores que ganaron el mundial

OMG

Interesante y simplemente bien explicado!

De lejos el mejor curso !!!

  • Deep Learning es una área del ML, que usa NN artificiales de múltiples capas.
  • DL- Aprende automáticamente features de distintos niveles de abstracción.

tiene buena pinta :like.

Me gusta el proyecto

Ahora entiendo porqué mucha gente no termina este curso, necesita desesperadamente una actualización. Mi recomendación es que deje toda la parte teórica a otros cursos existentes en redes neuronales y redes neuronales convolucionales y se concentre en la implementación con pytorch. Además, en el trabajo de curso no pudimos ver la red implementada ni la transformación de las imágenes. Una lástima porque es las GANs son muy interesantes. Una de las cosas positivas, que no ví en otros cursos fueron las buenas prácticas de código. Crear las redes neuronales y el preprocesamiento como clases. Creo que en general en este tema se utiliza mucho código espaguetti así que este componente de modularización y refactorización fue lo que más me gustó del curso.

Me voló la cabeza esta clase:

Este articulo me reenamoró,
https://arxiv.org/abs/1912.08245

Muy buen curso lo recomiendo , cuando la continuación ( o actualización)

Muy bueno

Wow, con gran expectativa de este curso!