Redes convolucionales y su importancia

1

La importancia del computer vision

2

驴Qu茅 herramientas usaremos para redes neuronales convolucionales?

3

驴Qu茅 son las redes convolucionales?

Mi primera red neuronal convolucional

4

Creando nuestra primera red convolucional

5

Entrenando nuestra primera red convolucional

Manejo de im谩genes

6

Consejos para el manejo de im谩genes

7

Manejo de im谩genes con Python

Fundamentos de redes neuronales convolucionales

8

Kernel en redes neuronales

9

El kernel en acci贸n

10

Padding y Strides

11

Capa de pooling

12

Arquitectura de redes convolucionales

Quiz: Fundamentos de redes neuronales convolucionales

Resolviendo un problema de clasificaci贸n

13

Clasificaci贸n con redes neuronales convolucionales

14

Creaci贸n de red convolucional para clasificaci贸n

15

Entrenamiento de un modelo de clasificaci贸n con redes convolucionales

Optimizaci贸n de red neuronal convolucional

16

Data augmentation

17

Aplicando data augmentation

18

Callbacks: early stopping y checkpoints

19

Batch normalization

20

Optimizaci贸n de modelo de clasificaci贸n

21

Entrenamiento de nuestro modelo de clasificaci贸n optimizado

Quiz: Optimizaci贸n de red neuronal convolucional

Resolviendo una competencia de Kaggle

22

Clasificando entre perros y gatos

23

Entrenamiento del modelo de clasificaci贸n de perros y gatos

Resumen y siguientes pasos

24

Siguientes pasos con redes neuronales convolucionales

25

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

Aprovecha el precio especial y haz tu profesi贸n a prueba de IA

Antes: $249

Currency
$209
Suscr铆bete

Termina en:

1 D铆as
17 Hrs
1 Min
3 Seg

Siguientes pasos con redes neuronales convolucionales

24/25
Resources

Contributions 18

Questions 1

Sort by:

Want to see more contributions, questions and answers from the community?

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!

Resumen Curso

Introducci贸n a Redes Neuronales Convolucionales (CNNs):

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.

Preprocesamiento de Datos:

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.

Creaci贸n de Modelos CNN:

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.

Entrenamiento y Evaluaci贸n de Modelos:

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.

Optimizaci贸n de Modelos:

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.

Uso de Checkpoints:

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.

Aplicaci贸n Pr谩ctica:

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.

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/

Que buen curso , explicados muy bien los conceptos que pueden ser complejos y llevarlos a un nivel donde puedan ser entendibles . Muchas felicidades profe es usted un master!
excelente curso
Excelente curso, muchas gracias

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