Yo sigo perdido .-.
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
Si ya tienes una cuenta,
Modelo general de utilización
12/21Recursos
Aportes 10
Preguntas 0
Ordenar por:
Todo bien… estoy siguiendo la ruta…
Pero cuando vamos a codear?
Pasos
- Inicializar y cargar modelo
Podremos usar:
- tf.sequential() para crear un nuevo modelo y entrenarlo o
- tf.loadLayersModel() para cargar un modelo pre-entrenado.
- Preparar datos
- Los datos podran obtenerse mediante fetch, de almacenamiento validos segun la plataforma, o bien en el navegador de interfaces con video o imagenes.
- En algunos casos los datos deberan normalizarse o formatearse de acuerdo al formato que el modelo esta esperando (dimensiones especificas o codificaciones en el caso de imagenes).
- Realizar interferencia
- Para esto utilizamos: model.predict()
- Obtener y mapear los resultados
- Recuerda que las predicciones pudieran tener un formato normalizado (si el formato que usaste para entrenar tu red).
- Una vez revertido el proceso de los datos inferidos, despliegalos de acuerdo a tus necesidades.
Excelente resumen del proceso de utilización vistos en las clases anteriores
Después de ver los cursos de “Deeplearning ai” y ver este curso me siento que perdí mi tiempo aquí.
Creo que deberían incluir código como lo hacen otros profes en la ruta, me siento perdido aún
cuando empezamos a crear modelos o a usar modelos, no he visto nada de programación, por mas que digan que es necesario aprender teoria, pero hombre, unos ejemplos no te quitan nada de tiempo al fin y al cabo esta plataforma supuestamente te ofrece educación pero ni una linea de código en lo que va de la clase lo he visto escribir, pesima elaboracion del curso, ojo no dije que fuera malo, sino que muy mal estructurado estan, en unos 8 min aprox. explican cosas que ni siquiera lo dejan claro y no vengan con “tienen que investigarlo ustedes” enserio un poco mas de entusiasmo a la educación.
Si la teoria es importante y codear sin ella tampoco es bueno pero deberia estar estructurado el curso de tal manera que se complementen las 2 y no olvidar que la practica refuerza lo aprendido
sorry la teoria aguanta todo y entiendo (creo) las bases pero creo que faltan ejercicios
Siento que puedo escribir una red neuronal fácil mente después de este curso.
… Creo que me saldrá más de 1 bug, deséeme suerte
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?