Siguientes pasos con redes neuronales convolucionales

Espero llegue pronto el curso profesional de CNN’s.
Pd.: Excelente curso!

Excelente curso. Para complementar dejo el link a una lectura sobre la arquitectura de algunas de las principales arquitecturas de CNNs.
https://towardsdatascience.com/illustrated-10-cnn-architectures-95d78ace614d

MIL MIL GRACIAS POR ESTE CURSO, HA SIDO INCREIBLE !!!

Que gran curso, ha sido fundamental para mi tesis de pregrado concretar conceptos básicos de CNN junto con una gran explicación y pasión por parte del profe Carlos

Excelente curso

Adelanto que hasta ahora es el curso que mayor satisfacción me ha dado en la plataforma.

Buenísimo el curso. Ya con esto me siento con un poco más de confianza para empezar a tirar mis primeras redes en competencias de kaggle jeje

Genial el curso!
Aprendi muchisimo, pude implementar las redes neuronales como lo propuso el profesor y adicionar algunos cambios a estas basadas en los conceptos vistos en las demas clases.
Como hablamos un dia profe en Platzi Talks, espero pronto ser parte del mundo de los Datos!

Resumen Curso

Introducción a Redes Neuronales Convolucionales (CNNs):

Se exploró el concepto de CNNs y su aplicación en tareas de visión por computadora, como > clasificación de imágenes.
Se revisaron los fundamentos de CNNs, incluyendo capas convolucionales, capas de agrupamiento (pooling), y capas completamente conectadas.

Preprocesamiento de Datos:

Se discutió la importancia del preprocesamiento de datos en el entrenamiento de modelos de CNNs.
Se utilizó la librería ImageDataGenerator de Keras para realizar aumentación de datos, lo cual ayuda a mejorar la generalización del modelo y a evitar el sobreajuste.

Creación de Modelos CNN:

Se mostró cómo crear modelos de CNNs utilizando la API funcional de Keras.
Se incluyeron capas convolucionales, de agrupamiento y completamente conectadas en la arquitectura de los modelos.
Se utilizó la función compile para configurar el modelo antes del entrenamiento, especificando el optimizador, la función de pérdida y las métricas de evaluación.

Entrenamiento y Evaluación de Modelos:

Se entrenaron los modelos utilizando el método fit, donde se especificaron los datos de entrenamiento, el tamaño de lote (batch size), el número de épocas, entre otros parámetros.
Se utilizaron callbacks, como ModelCheckpoint y EarlyStopping, para guardar el mejor modelo durante el entrenamiento y detener el entrenamiento temprano si no se observa mejora en la métrica de interés.
Se evaluaron los modelos utilizando datos de validación y se generaron métricas de desempeño, como precisión y pérdida.

Optimización de Modelos:

Se discutió la importancia de la optimización de modelos, incluyendo técnicas como el uso de batch normalization para mejorar la estabilidad y el rendimiento del modelo.
Se exploraron diferentes opciones de optimizadores y se aplicaron técnicas para evitar el sobreajuste, como la regularización y la dropout.

Uso de Checkpoints:

Se utilizó el callback ModelCheckpoint para guardar el mejor modelo durante el entrenamiento basado en una métrica específica, como la pérdida de validación.
Se mostró cómo cargar un modelo guardado para realizar predicciones o continuar el entrenamiento.

Aplicación Práctica:

Se aplicaron los conceptos aprendidos en un ejemplo práctico de clasificación binaria entre perros y gatos, utilizando el dataset dog_and_cat.

Mis Notas en Notion de este curso https://mint-maraca-bfd.notion.site/Curso-de-Redes-Neuronales-Convolucionales-con-Python-y-Keras-c0e1e0d60f5e47e2983e06cf19f83ac0?pvs=4

Muy buen curso. Si alguien está interesado en realizar investigación con miras a publicar en revistas arbitradas, le dejo mi contacto: https://www.linkedin.com/in/gibrangc/

Excelente curso, ya quiero realizar mis primeros proyectos usando redes convolucionales.

De los mejores cursos que he realizado en Platzi, muy feliz de haberlo tomado!

He entendido muchisimoooo, graciassss

Solo este curso paga la membresía de platzi x100, brutal, gracias 😃