Fundamentos de PyTorch

1

Clasificación de Texto con PyTorch y TorchText en Google Colab

2

Introducción a PyTorch: Ventajas y Comparación con Otros Frameworks

3

Creación de Modelos de Texto con PyTorch: Clase TextClassifier

4

Creación y manipulación de tensores en PyTorch

5

Depuración y operación con tensores en PyTorch

6

Interacción entre Arrays de NumPy y Tensores de PyTorch

Quiz: Fundamentos de PyTorch

Estructura de modelo de deep learning en PyTorch

7

Regresión Lineal con PyTorch: Creación y Partición de Datos Artificiales

8

Modelo de Regresión Lineal en PyTorch: Creación y Predicción

9

Entrenamiento de Modelos de Regresión Lineal con PyTorch

10

Entrenamiento y Visualización de Modelos de Regresión Lineal en PyTorch

11

Inferencia de Modelos en CPU con PyTorch

Quiz: Estructura de modelo de deep learning en PyTorch

Redes neuronales con PyTorch

12

Clasificación de Texto con PyTorch y TorchText en Google Colab

13

Tokenización y Vocabulario en TorchText para DBpedia

14

Creación y uso de Data Loaders en PyTorch

15

Modelo de Clasificación de Texto con PyTorch

16

Entrenamiento de Modelos de Clasificación con DBpedia Dataset

17

Evaluación de Modelos de Aprendizaje Automático en PyTorch

18

Optimización y partición de datasets con PyTorch

19

Entrenamiento y Evaluación de Modelos en PyTorch

20

Inferencia con Modelos PyTorch y Torch Compile en Colab

21

Guardado y carga de modelos en PyTorch con checkpoints

22

Subida y descarga de modelos en JobinFace Hub

23

Cargar y Usar Checkpoints en PyTorch para Modelos de Clasificación de Texto

Quiz: Redes neuronales con PyTorch

Cierre del curso

24

Aplicación de PyTorch en Proyectos de IA

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Aplicación de PyTorch en Proyectos de IA

24/24
Recursos

Nombre del curso: Curso de Redes Neuronales con PyTorch

Director de escuela: Carlos Alarcón

Profesor: Omar Espejel

Dirección: Miguel Torres

Producción OPS: Lizeth Cáceres y Rocío Martínez

Creación audiovisual: Juan Franco

Edición de video: Daniel Cadena

Postproducción de audio: Daniel Cadena

Diseño gráfico: Carol Baquero

Coordinación General: Andrés Arizmendy, Daniel Gutiérrez, Carol Baquero, Carlos Céspedes y Sura Cedeño

Revisión: Rubén Cuello y Belman Marin

Aportes 8

Preguntas 0

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Hubiese sido interesante un ejemplo de regresion no con datos aleatorios sino con una base de datos en excel o csv

Excelente curso profesor Omar, solo me hubiera gustado que se profundice en el preprocesamiento de los datos o en la creación de DataLoaders ya que en el curso estamos usando un dataset que ya esta casi listo para el entrenamiento, pero en la vida real mi dataset puede estar en un Dataframe de Pandas y me gustaría saber como hacer para llevar mis datos desde pandas hasta un DataLoader que pueda usar Pytorch

Deberían hacer un curso profesional de Pytorch, con casos de uso relacionados a datos tabulares y otras arquitecturas de NN. Lo de hugging face es interesante, pero solo es un complemento más. Si no se puede otro curso de pytorch quizá uno de Keras 3.0 con la nueva funcionalidad multibackend.

¡Excelente curso, espero vengan más como estos!

Muchisimas Gracias! Me ha quedado PyTorch más claro que cuando empecé.

un gran curso

Gracias Omar por el curso! 👍

El curso es valioso en cuanto a la carga e intercambio de archivos del modelo en el Hub de hugging face, además de la definición. Sin embargo, debido al título esperaba la generación de diversos tipos de redes neuronales en pytorch, CNNs, LSTMs, ANNs, etc. Creo que el caso del procesamiento de texto y NLP es muy interesante, sin embargo requiere conocimientos adicionales. Recomiendo que cambien el título del curso a algo relacionado con NLP, ya que se requieren algunos conocimientos para llevar este curso.