#!/bin/bash
wget --no-check-certificate https://storage.googleapis.com/platzi-tf2/sign-language-img.zip -O sign-language-img.zip
wget --no-check-certificate https://storage.googleapis.com/platzi-tf2/TomAndJerry.zip -O TomAndJerry.zip
wget --no-check-certificate https://storage.googleapis.com/platzi-tf2/TumorClassification.zip -O TumorClassification.zip
wget --no-check-certificate https://storage.googleapis.com/platzi-tf2/MalariaCells.zip -O MalariaCells.zip
Cómo utilizar TensorFlow 2.0 con Python
Redes neuronales con TensorFlow
Introducción a TensorFlow 2.0
Manejo y preprocesamiento de datos para redes neuronales
Uso de data pipelines
Cómo cargar bases de datos JSON
Cargar bases de datos CSV y BASE 64
Preprocesamiento y limpieza de datos
Keras datasets
Datasets generators
Aprende a buscar bases de datos para deep learning
Cómo distribuir los datos
Crear la red neural, definir capas, compilar, entrenar, evaluar y predicciones
Optimización de precisión de modelos
Métodos de regularización: overfitting y underfitting
Recomendaciones prácticas para ajustar un modelo
Métricas para medir la eficiencia de un modelo: callback
KerasTuner: buscando la mejor configuración para tu modelo
KerasTuner: buscando la mejor configuración para tu modelo
Monitoreo del entrenamiento en tiempo real: early stopping y patience
KerasTuner: construyendo el modelo
KerasTuner: buscando la mejor configuración para tu modelo
KerasTuner: buscando la mejor configuración para tu modelo
KerasTuner: buscando la mejor configuración para tu modelo
Almacenamiento y carga de modelos
Almacenamiento y carga de modelos: pesos y arquitectura
Criterios para almacenar los modelos
Fundamentos de aprendizaje por transferencia
Introducción al aprendizaje por transferencia
Cuándo utilizar aprendizaje por transferencia
Carga de sistemas pre-entrenados en Keras
API funcional de Keras
Uso sistemas pre-entrenados de TensorFlow Hub
Resultados de entrenamiento
Introducción a variables relevantes del TensorBoard
Análisis y publicación de resultados del entrenamiento
Introducción al despliegue de modelos en producción
Siguientes pasos con deep learning
Comparte tu proyecto de detección de señas y certifícate
Redes neuronales con TensorFlow
1/33Recursos
¡Bienvenido al Curso Profesional de Redes Neuronales con Tensorflow! En las siguientes sesiones aprenderás a manejar el framework Tensorflow junto a su backend Keras, crearás proyectos profesionales y entenderás cómo gestionar proyectos de Machine Learning.
Para este curso es fundamental que conozcas sobre el funcionamiento de las redes neuronales artificiales, también la manipulación y gestión de Notebooks como Jupyter y Google Colab, además, es un gran plus si ya conoces cómo generar tus propios proyectos de ciencia de datos. Todo lo anterior lo puedes encontrar en la escuela de ciencia de datos de Platzi.
Si quieres empezar un proyecto de redes neuronales y no sabes cómo empezar, este curso es para ti. Si laboralmente te han asignado un proyecto de Machine Learning y debes liderarlo, este curso es para ti. Si simplemente tienes hambre de conocimiento y quieres adentrarte en este mundo, este curso es para ti.
El ciclo de vida de desarrollo de proyectos de IA consta en 6 etapas:
- Delimitación del problema, donde se determinarán las necesidades a resolver.
- Obtención de datos como materia prima.
- Preprocesamiento de datos, donde serán limpiados y optimizados.
- Entrenamiento, donde usaremos recursos de cómputo para entrenar modelos.
- Optimización, donde iteraremos hasta encontrar una solución con mejor rendimiento.
- Escalamiento, donde llevaremos esta solución al usuario final.
A través de estas sesiones trabajaremos con redes neuronales directamente a la práctica, aprenderás a cargar datos sean propios o de diferentes fuentes y formatos, optimizarás tus modelos para obtener mejor precisión.
También aprenderás sobre el overfitting y underfitting y cómo evitarlo, emplearás técnicas avanzadas como el transfer learning o transferencia de aprendizaje que permiten aprovechar el esfuerzo de otros developers bajo arquitecturas ya construidas, y finalmente, trabajaremos sobre el almacenamiento y carga de modelos de manera profesional.
Proyecto del curso
El proyecto principal del curso será el entrenamiento de un modelo que detectará lenguaje de señas, constará de 27.455 imágenes JPEG de tamaño 28x28 píxeles en escala de grises, se han omitido las letras J y Z dado que requieren de movimiento para ser detectadas. El dataset fue creado por TecPerson en Kaggle y es de dominio público.
Como valor agregado, tendremos a disposición 3 datasets extras que podrás usar para practicar paralelamente los procesos aprendidos, donde puedes elegir entre un clasificador de Tom y Jerry, un detector de tumores o un clasificador de malaria.
Si posees algún dataset propio que quieras trabajar, sería maravilloso que lo integraras y que aplicaras las diferentes técnicas aprendidas a través de estas sesiones.
Al descargar alguno de estos datasets puedes emplear los siguientes comandos en terminales Linux o entrar directamente a los links que los contienen.
Bases de datos Malaria
!wget --no-check-certificate \
https://storage.googleapis.com/platzi-tf2/MalariaCells.zip \
-O /tmp/sign-language-img.zip
Bases de datos Tumor
!wget --no-check-certificate \
https://storage.googleapis.com/platzi-tf2/TumorClassification.zip \
-O /tmp/sign-language-img.zip
Bases de datos Tom y Jerry
!wget --no-check-certificate \
https://storage.googleapis.com/platzi-tf2/TomAndJerry.zip \
-O /tmp/sign-language-img.zip
¿Qué aprenderás en este curso?
A través de las clases aprenderás a cargar tus propias bases de datos, además de usar formatos como JSON, BASE64, o imágenes, además, aplicarás técnicas de optimización.
Posteriormente, aprenderás a agregar métricas de entrenamiento, es decir, cómo medir el desempeño de tu modelo, cargarás y guardarás tus propios modelos y usarás el autotunner de Keras que automatizará el proceso de actualizar los valores de los hiperparámetros de tu modelo. En una sección más avanzada haremos uso por transfer learning, también mostrarás al mundo tus modelos con TensorBoard y los escalarás a producción.
Contribución creada por: Sebastián Franco Gómez.
Aportes 14
Preguntas 4
Ordenar por:
Para instalar TensorFlow en tu local
pip install tensorflow
Google Colab ¿Qué es? Es un entorno de desarrollo online de Python creado por Google donde puedes usar una CPU/GPU de un servidor en la nube GRATIS
Para descargar los repositorios de los 4 Proyectos que puedes escoger en este curso:
# Reconocimiento del Abecedario en Lenguaje de señas
wget --no-check-certificate https://storage.googleapis.com/platzi-tf2/sign-language-img.zip -O sign-language-img.zip
# Reconocimiento de Tom y Jerry
wget --no-check-certificate https://storage.googleapis.com/platzi-tf2/TomAndJerry.zip -O TomAndJerry.zip
# Diagnóstico de Tumores
wget --no-check-certificate https://storage.googleapis.com/platzi-tf2/TumorClassification.zip -O TumorClassification.zip
# Diagnóstico de Malaria
wget --no-check-certificate https://storage.googleapis.com/platzi-tf2/MalariaCells.zip -O MalariaCells.zip
Emocionado por este tipo de proyectos porque amo cuando la tecnología ayuda a las personas
Muy buen fichaje de platzi! Este curso promete mucho, tomaré este curso con mucho entusiasmo! Saludos Adonai
Kola comunidad quiero compartir esta competición de kaggle de Reconocimiento de lenguaje de señas aislado. En donde puedes poner en practica lo aprendido en este curso.
Su trabajo puede mejorar la capacidad de PopSign* para ayudar a los familiares de niños sordos a aprender señas básicas y comunicarse mejor con sus seres queridos.^
Dejo el link
El curso promete 💪🏽💪🏽😀
por si les sirve les dejo aca un tutorial de como instalar tf 2.12(la vercion mas nueva!!!) con gpu en ubuntu
El overfitting o sobreajuste es un error de modelado en estadística que ocurre cuando una función está demasiado alineada con un conjunto limitado de puntos de datos. El resultado es un modelo que es útil solo cuando se refiere a su conjunto de datos inicial y no a cualquier otro conjunto de datos
Hola, en mi opinión, creo que es mejor instalar Tensorflow en un ambiente Conda exclusivamente dedicado para su uso.
conda create -n tf-gpu tensorflow-gpu #Si usas una GPU
conda create -n tf-gpu tensorflow #Si no usas GPU
Después solo activas el ambiente e instalas las librerías que necesites:
conda activate tf-gpu
conda install -c conda-forge matplotlib
conda install numpy
#etc
¡Saludos!
Redes neuronales con TensorFlow
Por qué debes tomar el curso
-
Quieres aprender cómo aplicar inteligencia artificial a imágenes.
-
Tienes las bases pero quieres volverte un pro configurando redes neuronales.
-
Quieres crear tu propio tu propio modelo.
El uso de una IA parte desde un problema no se puede crear un modelo tan complejo como redes neuronales solo porque si, terminaríamos sin resolver nada.
Que Haremos?
-
llevar redes neuronales a la practica
-
Cargar bases de datos
-
Optimizar modelos
-
Como evitar el overfitting y el underfitting?
-
Transferencia de aprendizaje usando modelos pre-entrenados
-
Almacenar y cargar modelos
Proyecto del curso
vamos a crear un modelo capaz de generar y detectar letras de lenguaje de señas.
vamos a omitir la J y la Z porque se generan con un movimiento.
usando una base de datos de kaggle.
Proyectos opcionales
Deteccion de tumores, deteccion de Tom y Jerry, deteccion de Malaria
Lenguaje de Señas:
https://storage.googleapis.com/platzi-tf2/sign-language-img.zip
Tom & Jerry:
https://storage.googleapis.com/platzi-tf2/TomAndJerry.zip
Tumor:
https://storage.googleapis.com/platzi-tf2/TumorClassification.zip
Malaria:
https://storage.googleapis.com/platzi-tf2/MalariaCells.zip
Notebook Malaria:
https://colab.research.google.com/drive/10TQClWantn0elEU_SHc8IuTyheRIgGVD?usp=sharing
Notebook TomAndJerry:
https://colab.research.google.com/drive/1ogv1lNKvltcbVe9XyPK_cb9VO4fp0E8Y?usp=sharing
Notebook Tumor:
https://colab.research.google.com/drive/1Ksv1KdAkx4DK4Ao090vF3ihw-q5Klg7z?usp=sharing
Descargar las bases de los ejercicios:
# Lenguaje de Señas
wget --no-check-certificate https://storage.googleapis.com/platzi-tf2/sign-language-img.zip -O sign-language-img.zip
# Tom & Jerry
wget --no-check-certificate https://storage.googleapis.com/platzi-tf2/TomAndJerry.zip -O TomAndJerry.zip
# Tumores
wget --no-check-certificate https://storage.googleapis.com/platzi-tf2/TumorClassification.zip -O TumorClassification.zip
# Celulas de Malaria
wget --no-check-certificate https://storage.googleapis.com/platzi-tf2/MalariaCells.zip -O MalariaCells.zip
Qué aprenderás?
-
Cómo cargar tus propias bases de datos.
-
Cargar bases de datos en formatos como CSV, JSON, BASE64, imágenes.
-
Aplicar técnicas para optimizar tus modelos.
-
agregar métricas en el entrenamiento de tus modelos.
-
a cargar y guardar modelos
-
Autotunner de Keras para encontrar mejores variables
-
Bases de aprendizaje por transferencia
-
Uso de TensorBoard y como mostrar tu proyecto al mundo entero
-
A tener tu modelo listo para utilizarlo como inferencia.
Se ve muy interesante el curso, me encanta la idea de aprender Machine Learning, ¡tengo grandes expectativas!
amigos!!! les queria mostrar uno de mis cursos sobre deep learning y tensorflow, aqui explico la api funcional con multi inputs y algo de embedings! https://medium.com/@chavezgm2012/api-funcional-de-keras-cba6532fb109
espero les guste!
Se ve interesante el curso. Vamos allá!
Ciclo de la IA
- PROBLEMA
- DATOS
- PRE-PROCESAR
- ENTRENAR
- OPTIMIZAR
- ESCALAR
Hola a todos, este curso es prometedor y me animo a iniciar, estoy interesado en conocer sobre tensorBoard y realizar el proyecto que se hace en el curso. Las bases de datos de propuestas están rotas, para solucionar podrían usar la base de datos que está en Kaggle.
Este enlace para cargar los datos en Google Colab
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?
o inicia sesión.