Interesante el ecosistema de TensorFlow 😏
Y claro, me uniré a la comunidad de TensorFlow Colombia 😃
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
Aportes 3
Preguntas 0
Interesante el ecosistema de TensorFlow 😏
Y claro, me uniré a la comunidad de TensorFlow Colombia 😃
RESUMEN DE LA CLASE
Existen 5 principales frameworks (o librerías) de deep learning:
1. Tensorflow // El que se usará en el curso
2. Caffe
3. Pytorch
4. Microsoft CNTK
5. Gluon
Puedes programar en 3 lenguajes:
Python y C++ con Tensorflow
JavaScript con Tensorflow.js
¿Cómo funciona la lógica de Tensorflow?
Por medio del flujo de las redes neuronales
// Recordemos que las redes tienen:
[
0 => "nodos de entrada (donde entra la información) y donde se realizan operaciones matemáticas",
1 => "Capas intermedias donde los datos de entrada se empienza a transformar y a realizar operaciones matemáticas también que no vemos",
2 => "nodo de salida donde obtenemos el resultado esperado, bien sea la predicción de un número o el número exacto que esperamos aprenda a retornar la IA"
Estos elemento se grafican en un modelo llamado GRAFO con dos elementos (nodos y aristas)
{
nodo: "Cada uno de los puntos por donde fluyen los datos de entrada que se procesan",
arista: "Son las flechas que indican el flujo de dirección de un nodo",
grafos: "Se le llama al conjunto de nodos y aristas",
}
Los datos que fluyen a través del grafo se representan en tensores
Tensor: Estructuras similares a los vectores o matrices
Las diferencias entre Tensorflow I y Tensorflow II son:
- Que el grafo (el modelo) se tenía que programar y definirse
- Se generaba muchas líneas de código dificil de entender
- Por lo anterior un ex-empleado (Francois Chollet) de Google en 2015 creó Keras, una sublibrería de Tensorflow donde puedes ahorrarte largas líneas de código para crear grafos (modelos)
Ecosistema de Tensorflow
- Google Cloud
- Arduino
- Google Machine Learning API
- Flask
- Tensorflow Extended
- Tensorflow Lite
- Tensorflow JS
- Y más
Muy recomendada la comunidad de TensorFlow Colombia. 10/10
¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.