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

Introducción a TensorFlow 2.0

2/28
Recursos

Aportes 3

Preguntas 0

Ordenar por:

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

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