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
Monitoreo del entrenamiento en tiempo real: early stopping y patience
KerasTuner: construyendo el 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
Aún no tienes acceso a esta clase
Crea una cuenta y continúa viendo este curso
Aportes 7
Preguntas 8
https://analyticsindiamag.com/10-face-datasets-to-start-facial-recognition-projects/
Estoy siguiendo el proyecto de clasificación de tumores. Estas son las 5 imágenes
Trabajando con el set de imagenes de Malaria.
En este caso se trabajará con una clasificación en dos clases:
classes = ["parasitized", "uninfected"]
Para mostrar un conjunto de cinco imágenes de prueba:
def plotImages(images_arr):
fig, axes = plt.subplots(1,5,figsize=(10,10))
axes = axes.flatten()
for img, ax in zip(images_arr, axes):
ax.imshow(img[:,:,0])
ax.axis("off")
plt.tight_layout()
plt.show()
sample_training_images, _ = next(train_generator)
plotImages(sample_training_images[:5])
Vamos por buen camino! 😄
Mis imágenes están un poco rotadas para que el modelo se entrene en situaciones irregulares.
Esto lo logro con el código
train_datagen = ImageDataGenerator(rescale = 1/255,
rotation_range=40,
width_shift_range=0.2,
height_shift_range=0.2,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True,
fill_mode='constant')
test_datagen = ImageDataGenerator(rescale = 1/255, validation_split= 0.2)
Dataset para señales de tránsito árabe:
https://data.mendeley.com/datasets/4tznkn45mx/1
Excelente clase, cada vez me gusta más este curso, mi proyecto consiste en detectar neumonÃa en radiografÃas de tórax y estas son cinco de las imágenes de mi base de datos:
Encontre un dataset interesante relacionado con carros generado por la Universidad de Stanford, adjunto enlace: https://ai.stanford.edu/~jkrause/cars/car_dataset.html
¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.