Espero llegue pronto el curso profesional de CNN鈥檚.
Pd.: Excelente curso!
Redes convolucionales y su importancia
La importancia del computer vision
驴Qu茅 herramientas usaremos para redes neuronales convolucionales?
驴Qu茅 son las redes convolucionales?
Mi primera red neuronal convolucional
Creando nuestra primera red convolucional
Entrenando nuestra primera red convolucional
Manejo de im谩genes
Consejos para el manejo de im谩genes
Manejo de im谩genes con Python
Fundamentos de redes neuronales convolucionales
Kernel en redes neuronales
El kernel en acci贸n
Padding y Strides
Capa de pooling
Arquitectura de redes convolucionales
Quiz: Fundamentos de redes neuronales convolucionales
Resolviendo un problema de clasificaci贸n
Clasificaci贸n con redes neuronales convolucionales
Creaci贸n de red convolucional para clasificaci贸n
Entrenamiento de un modelo de clasificaci贸n con redes convolucionales
Optimizaci贸n de red neuronal convolucional
Data augmentation
Aplicando data augmentation
Callbacks: early stopping y checkpoints
Batch normalization
Optimizaci贸n de modelo de clasificaci贸n
Entrenamiento de nuestro modelo de clasificaci贸n optimizado
Quiz: Optimizaci贸n de red neuronal convolucional
Resolviendo una competencia de Kaggle
Clasificando entre perros y gatos
Entrenamiento del modelo de clasificaci贸n de perros y gatos
Resumen y siguientes pasos
Siguientes pasos con redes neuronales convolucionales
Comparte tu proyecto de clasificaci贸n con redes convolucionales y certif铆cate
You don't have access to this class
Keep learning! Join and start boosting your career
Contributions 18
Questions 1
Espero llegue pronto el curso profesional de CNN鈥檚.
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 !!!
Adelanto que hasta ahora es el curso que mayor satisfacci贸n me ha dado en la plataforma.
Que gran curso, ha sido fundamental para mi tesis de pregrado concretar conceptos b谩sicos de CNN junto con una gran explicaci贸n y pasi贸n por parte del profe Carlos
Excelente curso
Buen铆simo el curso. Ya con esto me siento con un poco m谩s 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!
Se explor贸 el concepto de CNNs y su aplicaci贸n en tareas de visi贸n por computadora, como > clasificaci贸n de im谩genes.
Se revisaron los fundamentos de CNNs, incluyendo capas convolucionales, capas de agrupamiento (pooling), y capas completamente conectadas.
Se discuti贸 la importancia del preprocesamiento de datos en el entrenamiento de modelos de CNNs.
Se utiliz贸 la librer铆a ImageDataGenerator de Keras para realizar aumentaci贸n de datos, lo cual ayuda a mejorar la generalizaci贸n del modelo y a evitar el sobreajuste.
Se mostr贸 c贸mo 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 utiliz贸 la funci贸n compile para configurar el modelo antes del entrenamiento, especificando el optimizador, la funci贸n de p茅rdida y las m茅tricas de evaluaci贸n.
Se entrenaron los modelos utilizando el m茅todo fit, donde se especificaron los datos de entrenamiento, el tama帽o de lote (batch size), el n煤mero de 茅pocas, entre otros par谩metros.
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 m茅trica de inter茅s.
Se evaluaron los modelos utilizando datos de validaci贸n y se generaron m茅tricas de desempe帽o, como precisi贸n y p茅rdida.
Se discuti贸 la importancia de la optimizaci贸n de modelos, incluyendo t茅cnicas como el uso de batch normalization para mejorar la estabilidad y el rendimiento del modelo.
Se exploraron diferentes opciones de optimizadores y se aplicaron t茅cnicas para evitar el sobreajuste, como la regularizaci贸n y la dropout.
Se utiliz贸 el callback ModelCheckpoint para guardar el mejor modelo durante el entrenamiento basado en una m茅trica espec铆fica, como la p茅rdida de validaci贸n.
Se mostr贸 c贸mo cargar un modelo guardado para realizar predicciones o continuar el entrenamiento.
Se aplicaron los conceptos aprendidos en un ejemplo pr谩ctico de clasificaci贸n 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 est谩 interesado en realizar investigaci贸n 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 membres铆a de platzi x100, brutal, gracias 馃槂
Want to see more contributions, questions and answers from the community?