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?

¿Por qué el Deep Learning ahora?

3/39
Recursos
Transcripción

Aportes 7

Preguntas 0

Ordenar por:

Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Regístrate o inicia sesión para participar.

¿Qué significa FLOPS?
Operaciones de coma flotantes por segundo, es una unidad de medida para medir los cálculos matemáticos que pueden hacer por segundo una GPU.

¿Qué cambio para que el Deep Learning se popularice ta rápido?
- Datasets labelizados de gran tamaño: Estos son los datasets etiquetados que sirve para clasificar imagenes, diferentes plataformas ofrecen un gran tamaño de datasets de manera gratuita.
- GPUs y Hardware: Las GPUs paralelizan el trabajo del Deep Learning mejorando el tiempo de ejecución.
- Mejora en los algoritmos: Cada vez salen más mejoras en los algoritmos para hacer más eficientes los modelos.
- Software Open Source: Los más populares Tensorflow, Pytorch, Keras, Theano, entre otros.

el segundo video no está disponible.

Estoy emocionado con este curso

Sería muy interesante ver más al detalle redes recurrentes, como lstm

Pytorch or Tensorflow

¿Qué es el performance? En informática, medida o cuantificación de la velocidad/resultado con que se realiza una tarea o proceso.