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
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Aportes 12
Preguntas 2
La implementación de capas mediante el API de layers de tensorflow.JS, es equivalente a la implementación de la API de Keras en tensorflow para python o c++. De hecho “layers” está basada en “Keras”.
Ref: https://www.tensorflow.org/js/guide/layers_for_keras_users
Acá dejo una comparativa:
Como se ve en el slide del minuto 06:30, “Softmax” es una generalización de lo que se conoce como Función Sigmoide o Función de Regresión Logística, que se usa para comprimir valores arbitrarios (convertirlos por equivalencia directa) en un rango controlado de entre 0 y 1. De manera similar la función tanh (tangente hiperbólica) comprime los valores en un rango de -1 a 1 … así hay otras funciones que dependiendo del caso se pueden usar con mejor resultado.
para iniciar con api Layers
para hacer cosas complejas Core API
La API Core
Si utilizas esta API tendras mas control, pero es mas dificil ya que deberas crear metodos para serializar, inicializar y validar sus parametros.
Componentes Principales del Modelo para una Red Neuronal
Las ventajas de Layers
Ademas de la validacion, Layers proporciona:
Inicializacion de pesos
Serializacion (para guardar los modelos)
Monitoreo del entrenamiento
Portabilidad
Revision de seguridad
Validacion del Modelo
Ambos modelos son instancias LayersModels y requieren la especificacion de la forma que recibira la entrada (input), TensorFlow.js hace un calculo automatico de las formas que tendran los tensores intermedios y de crear los parametros.
Si existiera alguna incompatibilidad entre dos capas consecutivas, la libreria se encargara de notificartelo.
La base de una red neuronal:
Recomiendo este video expilca muy bien el tema y hace un ejemplo con codigo para los que les gusta programar:
https://www.youtube.com/watch?v=_TInU2fI__I&t=1234s
Importante determinar cual sera la capa de entrada , la capa oculta y la capa de salia, previo a ello hacer un pre procesamiento de datos,antes de empezar con el entrenamiento.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?