Entrenar … entrenar 💪.
Entender el concepto de Red Neuronal y Aprendizaje Profundo
Todo lo que aprenderás sobre TensorFlow.js
Redes Neuronales, una visita express
Aprendizaje profundo
Conocer qué es TensorFlow y TensorFlow.js
¿Qué es TensorFlow?
TensorFlow con JavaScript
Inteligencia Artificial y ML en el navegador
Entender cuáles son los componentes básicos de una Red Neuronal y cómo entrenarla
Entradas, capas y salidas
Entrenando un modelo
Visualización del proceso de entrenamiento
Almacenamiento de modelos de redes neuronales
Entender cual es la forma común de utilizar un modelo de Red Neuronal
Optimización de modelos
Modelo general de utilización
Transfiriendo el aprendizaje
Diseñar un modelo de Regresión Lineal
Diseñando un modelo de regresión lineal
Entrenando un modelo de regresión lineal
Preparando datos para un modelo de regresión lineal
Utilizando un modelo de regresión lineal
Crear una aplicación en JavaScript que utilice un modelo de clasificación de Imágenes
Diseñando un modelo de clasificación de imágenes
Utilizando un modelo de clasificación de imágenes
Transferencia de conocimiento a un modelo de clasificación de imágenes
Conclusión
Resúmen y siguientes pasos
Crea una cuenta o inicia sesión
¡Continúa aprendiendo sin ningún costo! Únete y comienza a potenciar tu carrera
Aprendizaje profundo
3/21Recursos
Aportes 19
Preguntas 1
Ordenar por:
El perceptrón sencillo (con una sola neurona artificial), solo se puede usar en problemas que usen como referencia la representación de una sola lÃnea en el plano, para discrimar un area de otra, como es el caso de los operadores lógicos AND y OR.
Pero cuando la operación o el proceso requiere más de una lÃnea (o una lÃnea curva o zona de estudio), es necesario considerar el uso de redes más complejas.
- Función de Costo: nos permite identificar qué tan cerca o lejos estamos de el valor correcto esperado.
- Backpropagation: algoritmo que al detectar un error en el resultado, regresa sobre sus pasos para ajustar los pesos usados en cada neurona y volver a probar con más precisión.
- Descenso del Gradiente: función mediante la cual se ajustan los valores de los parámetros (o pesos) durante el backpropagation.
Entrenamiento
- Inicializar los pesos (w) con valores aleatorios.
- Obtener el resulado que arroja la evaluacion de la suma de los valores por los pesos y el bias (x*w, b).
- Comparar ese resultado con el resultado deseado (y).
- Agregar el error al costo total de cada uno de los casos de entrenamiento y se ajustan los pesos y el bias conforme a la participacion proporcional del error.
- Esto se repite hasta que se cumpla un criterio de exito en relacion con los datos de entrenamiento.
Descenso del Gradiente:
Es el algoritmo que nos permitia optimizar nuestra red neuronal para tener el menor error posible. Y lo que utiliza es la optimizacion de una curva donde queremos llegar al punto rojo partiendo desde el punto verde.
Este algoritmo de Descenso del Gradiente lo que hara es hice acercando progresivamente a ese punto minimo hasta tener una total optimizacion de cada una de las neuronas que componen la red neuronal.
Backpropagation
- Es un proceso iterativo que nos permite encontrar el minimo de una funcion.
- En el caso de una red neuronal, queremos encontrar los valores de los pesos(w) y el bias(b) que nos arrojen el minimo de la funcion de costo (promedio de la funcion de error sobre todos los datos de entrenamiento).
Redes Neuronales Profundas
Lo que hace es aumentar el numero de capas y el numero de neuronas, de tal manera que pueda interpretar patrones cada vez mas complejos.
Proceso de Backpropagation: Donde una vez que yo se que el resultado no fue el correcto, voy hacia atras y ajusto cada una de las casas y cada uno de los weights que estan en esas capas.
Weight: (No lo traduzco para que nos acostumbremos al idioma).
Es un parámetro dentro de una red neuronal que transforma datos de entrada dentro de las capas ocultas de la red.
Buena clase.
QUE INTERESANTE VER el proceso de backpropagation , para ajustar los pesos y las capas de los pesos.
Seguramente todos los que estamos acá conocemos el canal de YouTube de Dot CSV, pero para el que no lo conozca y esté interesado en IA aquà les dejo un video de redes neuronales. Es una belleza 😃
Maravilloso este curso.
Muy emocionante !
En esta clase se tocaron temas importantes para entender una Red Neuronal como el Algoritmo de Backpropagation y el Descenso del Gradiente. Para entender más a fondo estos temas recomiendo los siguientes cursos en Platzi:
Curso de Redes Neuronales y Backpropagation 2017
Curso de Introducción al Deep Learning
Curso de Deep Learning con Pytorch
Además está el canal DotCSV que ya muchos conocen y que trata temas sobre IA:
En las redes neuronales por convolución una operación que hacen las capas es aprender los filtros. Esos filtros lo que hacen es extraer caracterÃsticas. Ejemplo como calcular la salida de un filtro. Tenemos una imagen de 28x28 y le aplicamos un filtro de 3x3 y queremos saber el resultado de esa operación de convolución.
Tenemos nxn = 28x28
filtro 3x3
entonces:
28 - 3+1 =26; 28-3+1=26
A la salida tendremos una matriz de 26x26.
Otro ejemplo tenemos una imagen de 6x6 y le aplicamos un filtro de 3x3 el resultado de esta convolución será:
6 - 3 +1 =4 ; 6-3+1=4
El resultado de esa operación será una matriz será 4x4
A entrenar. Excelente clase de TF
Excelente clase
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?