¿Qué sigue por aprender de redes neuronales?

CNN (convolutional neural network)

NLP (Natural language processing)

Hyper parameters tuning

Tensorboards

Gans (generative adversarial networks)

LSTM (Long short-term memory)

Muy buen curso. Me gustó que entendí bien la parte teórica.

muy buen curso , gracias a programar la red neuronal desde cero, me quedó claro los fundamentos teóricos y matemáticos de la redes neuronales, Me encantó , muchas gracias!!

De los mejores cursos, la primera vez que aprendo hacer una red neuronal desde cero, y entender lo que hacen las librerías. Me gusto mucho que no editaran la parte de los errores y que lo resolvieran en la clase.

Me gusto el curso, fortalecio mis conocimientos, y entendi mas sobres las redes neuronales.

Muy buen curso, me encantó, muchas gracias!!

Muy inconforme con el curso. Aplaudo el entusiasmo del profesor, pero la capacidad explicativa es una habilidad que no se vió a lo largo del curso, especialmente a la hora de explicar el código. Se explicó el código casi como un dictado pero no se abordaron en suficiente profundidad los porqués. Lo digo desde mi experiencia aprendiendo muchísimas cosas en internet. Sin embargo, es la primera vez que veo este tema y no pude entenderlo bien, siendo que conozco las herramientas de estadística y matemática que fueron usadas. Voy a reforzar con internet y voy a volver a verlo con la confianza de que el curso realmente abarcó los fundamentos.

Profe, muchísimas gracias, se ve que le apasiona bastante el tema 😄!

Excelente curso, que buen profesor. Lo que me ensenaron en la universidad no le llega ni a un pelo al conocimiento que adquiri con este curso. Excelente 5 estrellas

Lo siento profe, de todos los cursos aqui lo estuve viendo varias veces varios de los videos, y solo logre la mitad. Son 4 temas importantes, lo dividiria en 2 cursos o 4, y aclararia mas , quiza regrese y retome este curso, por otra parte, revise internet y me aclaro mas facil los temas, pienso que era dificil entender la data, posiblemente tomar mas tiempo de explicarla, y luego explicar que se iba a intentar hacer

Agregaría a la lista:

Graph Neural Networks

Excelente curso, me siento preparando para TODO lo que viene. Gracias Carlos😃

Me gustó mucho el curso aquí dejo las notas que tome y el código de los notebooks
github.com/LuisReyes98/platzi-fundamentos-neural-network-keras

Sencillamente excepcional. De los mejores cursos de la escuela. Cuando comprendes los conceptos básicos detrás del funcionamiento de algo todo lo demás se aclara con una nitidez única. Gracias Carlos por hacer de las redes neuronales algo fácil de entender.

Muchas gracias! Muy buen curso!

Más cursos así por favor!!

Excelente curso, explica muy bien los conceptos y brinda un horizonte antes de dar una clase

Un buen curso, buen material pero lo mejor el profesor!!
Muchas gracias por compartir tus conocimientos, asombrosa la manera de explicar y dejar los errores.

Definitivamente el curso es como a muchos nos gustaría haber aprendido desde lo básico de las redes neuronales🤙🏼.

Carlos muchas gracias por todas tus explicaciones, ya puedo ir con más confianza para aplicar lo aprendido en mis proyectos e ir a modelos más avanzados😁.

De los mejores cursos que he tenido en mi vida

Muy bien pensado, el profesor sonriente y con una explicación cuidada y novedosa de un tema.

Transmite gusto y deseo de seguir aprendiendo de este tema tan sorprendente 😄

Answer’s te-st
Resumen
1.
Keras es un API que facilita el trabajo de crear redes neuronales, Keras usa el siguiente backend como su fuente:

Tensorflow
2.
Es uno de los grandes problemas de trabajar con deep learning
Overfitting
3.
¿En qué consiste el aprendizaje “profundo”?

Las capas reciben información de la capa anterior, las procesan y el resultado lo van pasando a las siguientes capas, haciendo un aprendizaje más detallado cuanto más capas existan en la red.
4.
¿Cuál es la función del BIAS en la neurona?
Dar más flexibilidad al modelo desplazando la respuesta lineal en los ejes
5.
¿En qué consisten las sumas ponderadas de la neurona?

Realizar un producto punto entre los datos de entrada y los pesos asociados a la neurona.

Es uno de los problemas que una neurona o perceptrón no puede solucionar, por sus propias limitantes
XOR

En una red neuronal las primeras capas obtienen la información más general de los datos y las últimas capas información más específica o detallada. Esta afirmación es:

Verdadera

¿Por qué son necesarias las funciones de activación?
Porque cada neurona devuelve una función lineal al igual que la suma de funciones lineales da como resultado otra función lineal, de ser así se obtiene el mismo resultado y es necesario deformar la función lineal.
9.
¿A qué función pertenece esta representación?

RELU.png
ReLU
10.
¿A qué función pertenece esta representación?

hipr.png
Tanh
11.
Es una función de activación muy útil que también cuenta con derivada y funciona perfecto cuando queremos resolver un problema de probabilidad binaria:

Sigmoid
12.
¿Cuál es el objetivo de la función de pérdida?

Identificar numéricamente el error o diferencia entre los valores predichos y los reales.

¿Es posible derivar la función de pérdida?

Verdadero
14.
¿Cuál es el principal objetivo del descenso del gradiente?
Encontrar paso a paso el mínimo global en la función de pérdida

Podemos decir que el learning rate “LP” es:
Un delta que me indica el tamaño de los “pasos” que se aplican al descenso del gradiente en cada iteración.

Uno de los conceptos inspirados en la física para evitar que el descenso del gradiente se estanque en un mínimo local es:
Momentum
17.
Una de las desventajas de tener un learning rate LR muy bajo es:
El entrenamiento de la red neuronal será más lento.

El objetivo del backpropagation es:

Distribuir el error a través de toda la red neuronal para actualizar sus pesos de acuerdo a dicho error.
19.
En numpy (np) podemos usar esta función para realizar un producto punto
matmul
20.
Como buena práctica en deep learning, ¿en cuántos sub sets de datos es mejor dividir nuestros datos?

3
21.
La función de pérdida recomendada para resolver un problema de clasificación binaria es:
Binary_crossentropy
22.
¿Qué función de activación en la última capa es recomendable para un problema de clasificación binaria?
Sigmoid
23.
La función de pérdida recomendada para resolver un problema de clasificación múltiple es:

categorical_crossentropy

¿Qué función de activación en la última capa es recomendable para un problema de clasificación múltiple?
Softmax
25.
La función de pérdida recomendada para resolver un problema de regresión con valores arbitrarios es:

MSE
26.
¿Qué función de activación en la última capa es recomendable para un problema de regresión?
Linear o None

Podemos clasificar a sets de datos de dos dimensiones como:
Matrices
28.
La función de pérdida Cross Entropy funciona mejor con problemas de:
Clasificación
29.
La regularización L1 consiste en incrementar el valor de la función de pérdida basándonos en:
Ninguna respuesta es correcta
REPASAR CLASE
30.
La capa de dropout consiste en:
Dejar en 0 aleatoriamente una fracción de las neuronas en la salida de la capa.
Ver menos

Muy bueno el curso, se agradece la facilidad con la que se dan temas complicados

Hola comunidad, espero que se encuentren bien, para solicitarles un favor ¿Me podrian indicar si hay un curso a seguir despues de este?

Muy buen curso, que te enseña como funciona una red neuronal y crea una desde cero, muchas gracias profe

Este profesor es excelente

Gracias profe, mucho mas motivada a seguir con lo que se viene!

Excelente el curso.

Muchas gracias a Carlos y a todos los compañeros por el conocimiento compartido, fue un curso excelente y entretenido, ahora resta seguir poniendo en práctica lo aprendido y ampliar los conocimientos.