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

KerasTuner: buscando la mejor configuración para tu modelo

17/28
Recursos

Aportes 6

Preguntas 1

Ordenar por:

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

Qué es el parámetro factor?

Auto Tunner Keras
Utilizando Colab_GPU demoró 42 minutos
Utilizando Colab_CPU demoró 3 horas y 29 minutos

Aquí la documentación de los diferentes tuners de keras.

Importante Hyperband es un metodo de busqueda aleatorio, no el el único y viene las papers en la documentación.
https://keras.io/api/keras_tuner/tuners/

Genial!. No habia usado el KerasTuner. Importantisimo: definir el parametro overwrite=True dentro del tuner para sobreescribirlo si se va a hacer cambios al mismo modelo y ejecutar la misma celda del tuner(y sobreescribir el mismo proyecto del tuner), sino se define, usara el guardado.

Esta clase es demasiado util, vale todo el curso

Con num_trials = 3 y GPU tardó 35 min en Kaggle el tuneo