Cómo utilizar TensorFlow 2.0 con Python

1

Redes neuronales con TensorFlow

2

Introducción a TensorFlow 2.0

Manejo y preprocesamiento de datos para redes neuronales

3

Uso de data pipelines

4

Cómo cargar bases de datos JSON

5

Cargar bases de datos CSV y BASE 64

6

Preprocesamiento y limpieza de datos

7

Keras datasets

8

Datasets generators

9

Aprende a buscar bases de datos para deep learning

10

Cómo distribuir los datos

11

Crear la red neural, definir capas, compilar, entrenar, evaluar y predicciones

Optimización de precisión de modelos

12

Métodos de regularización: overfitting y underfitting

13

Recomendaciones prácticas para ajustar un modelo

14

Métricas para medir la eficiencia de un modelo: callback

15

Monitoreo del entrenamiento en tiempo real: early stopping y patience

16

KerasTuner: construyendo el modelo

17

KerasTuner: buscando la mejor configuración para tu modelo

Almacenamiento y carga de modelos

18

Almacenamiento y carga de modelos: pesos y arquitectura

19

Criterios para almacenar los modelos

Fundamentos de aprendizaje por transferencia

20

Introducción al aprendizaje por transferencia

21

Cuándo utilizar aprendizaje por transferencia

22

Carga de sistemas pre-entrenados en Keras

23

API funcional de Keras

24

Uso sistemas pre-entrenados de TensorFlow Hub

Resultados de entrenamiento

25

Introducción a variables relevantes del TensorBoard

26

Análisis y publicación de resultados del entrenamiento

27

Introducción al despliegue de modelos en producción

28

Siguientes pasos con deep learning

Aún no tienes acceso a esta clase

Crea una cuenta y continúa viendo este curso

Cuándo utilizar aprendizaje por transferencia

21/28
Recursos

Aportes 8

Preguntas 0

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.

Basándome en la grafica de la clase.

  1. NASNet(medium) para drones por que es en tiempo real y puede ser que no haya mucho ruido en la toma del video así que se puede sacrificar precisión.

  2. Polynet o NASNet(large) para cáncer, por que la precisión en este caso es fundamental, por que un mal diagnostico trae graves consecuencias.

pero investigando un poco mas sobre el tipo de arquitectura de cada modelo podríamos decidir mejor. al punto de saber que información se uso en cada modelo para su entrenamiento y de esta forma basarnos en su aprendizaje o generalización del problema para tomar la decisión final

Reto: Coincido con los comentarios anteriores, los modelos NASNet serían los más convenientes. La versión ++Large ++ para la detección de cancer por su mayor precisión y la versión ++medium ++ para la detección de aves con el uso de dron ya que logra buena precisión con menor costo computacional.
Además les comparto la siguiente lectura sobre las diferentes versiones de Inception
https://towardsdatascience.com/a-simple-guide-to-the-versions-of-the-inception-network-7fc52b863202

Siguiendo el gráfico:
NasNet(large) para la detección com mayor precisión y NasNet(medium) o Inceptionv2 para la detección con drones.

Hola! mi solución al reto:

  • Caso dron: En este caso necesitaremos un modelo que tenga un bajo coste computacional, para ello una buena opción sería utilizar (MobileNetV1) una red neuronal convolucional diseñada para aplicaciones embebidas de visión por computadora, si bien sacrifica la presición para reducir el coste computacional (relativo a otros modelos), en mi opinión sería suficiente para la aplicación. Tambi´n podría adoptarse (AlexNet) junto con técnicas de aceleración; bastante utilizadas en aplicaciones embebidas.

  • Caso cancer: En este caso podría pensarse utilizar ResNet101 o cualquiera de sus variantes más pesadas, pero más precisas. También existen trabajos que atacan la detección de cancer, o tumores mediante segmentación, en ese caso podría considerarse el uso de una U-Net.

PARA DRONES: Inception v1 o también MobileNet

PARA CANCER: NASNet (large)

Para texto, tenemos a Bert ó Beto para los hispanos. Para hay una librería muy interesante que se llama https://huggingface.co/

De acuerdo a la gráfica mostrada digo que:

  1. Para el caso del dron que detecta aves necesito un modelo con un accuracy aceptable y un coste computacional bajo, por lo cual selecciono a NASNet(mobile) o ShuffleNet.
  2. Para el caso de diagnostico de cancer, requiero un accuracy muy alto, sin importar el coste computacional, por lo cual seleccionaria a NASNet(large) o polynet.
  1. NASNet(large) yo lo utilitaría para la detección de cancer, ya que se necesita una gran precisión en la detección

  2. NASNet(medium): La utilizaría para la detección de aves ya que tiene una buena precisión pero no tiene mucho coste computacional