Curso de Fundamentos de Redes Neuronales con Python y Keras

Curso de Fundamentos de Redes Neuronales con Python y Keras

Instruido por:
Carlos Alarcón
Carlos Alarcón
Intermedio
4 horas de contenido
Ver la ruta de aprendizaje
Entrena tus primeras redes neuronales
Proyecto del curso
Entrena tus primeras redes neuronales

Aprende el proceso para entrenar redes neuronales y cómo funcionan matemáticamente, desde crear tu primera red con Python y Numpy, hasta utilizar Keras para entrenar distintos modelos, visualizar resultados y obtener información valiosa de tus datos.

Curso de Fundamentos de Redes Neuronales con Python y Keras

Curso de Fundamentos de Redes Neuronales con Python y Keras

Progreso del curso:0/28contenidos(0%)

Contenido del Curso
Tutoriales de estudiantes
Preguntas de estudiantes

Progreso del curso:0/28contenidos(0%)

Fundamentos en la arquitectura de redes neuronales

Material Thumbnail

La importancia de las redes neuronales en la actualidad

04:08 min

Material Thumbnail

¿Que herramientas usaremos para redes neuronales?

02:49 min

Material Thumbnail

¿Qué es deep learning?

07:31 min

Material Thumbnail

Tu primera red neuronal con Keras

12:05 min

Material Thumbnail

Entrenando el modelo de tu primera red neuronal

03:18 min

Material Thumbnail

La neurona: una pequeña y poderosa herramienta

07:07 min

Material Thumbnail

Arquitectura de una red neuronal

06:21 min

Material Thumbnail

Funciones de activación

13:46 min

Material Thumbnail

Funcion de pérdida (loss function)

09:00 min

Material Thumbnail

Descenso del gradiente

08:57 min

Material Thumbnail

Playground - Tensorflow

05:48 min

Redes neuronales con Python

Material Thumbnail

Dimensiones, tensores y reshape

14:06 min

Material Thumbnail

Creando nuestra red neuronal usando numpy y matemáticas

15:51 min

Material Thumbnail

Entrenamiendo forward de la red neuronal

09:17 min

Material Thumbnail

Aplicando backpropagation y descenso del gradiente

13:06 min

Material Thumbnail

Entrenamiento y análisis de resultados de tu red neuronal

12:57 min

Manejo de redes neuronales con Keras

Material Thumbnail

Data: train, validation, test

02:49 min

Material Thumbnail

Resolviendo un problema de clasificacion binaria

11:27 min

Material Thumbnail

Entrenamiento del modelo de clasificación binaria

11:06 min

Material Thumbnail

Regularización - Dropout

07:19 min

Material Thumbnail

Reduciendo el overfitting

11:07 min

Material Thumbnail

Resolviendo un problema de clasificación múltiple

10:41 min

Material Thumbnail

Entrenamiento del modelo de clasificación múltiple

09:34 min

Material Thumbnail

Resolviendo un problema de regresión

12:47 min

Material Thumbnail

Entrenamiento del modelo de regresión

12:48 min

Material Thumbnail

Análisis de resultados del modelo de regresión

10:11 min

Cierre

Material Thumbnail

¿Qué sigue por aprender de redes neuronales?

03:51 min

nuevosmás votadossin responder
Javier Enriquez Sanchez
Javier Enriquez Sanchez
Estudiante

¿Para resolver XOR no se podría aumentar la dimensión y así separar el espacio ?

0
PORTILLO BOLANOS INGRIS PAOLA
PORTILLO BOLANOS INGRIS PAOLA
Estudiante

Buenos días: cuando hago el entrenamiento de la red neuronal, me generara el siguiente error:
[ ValueError: Unknown loss function: categorical crossentropy] Gracias por la ayuda

Codigo generado por Colaboratoy
[Epoch 1/5

ValueError Traceback (most recent call last)
<ipython-input-87-8fa1d27fa2ba> in <module>()
1 from keras.utils import to_categorical
----> 2 model.fit(x_train, y_train, epochs=5, batch_size=128)

9 frames
/usr/local/lib/python3.7/dist-packages/tensorflow/python/framework/func_graph.py in wrapper(*args, **kwargs)
975 except Exception as e: # pylint:disable=broad-except
976 if hasattr(e, “ag_error_metadata”):
–> 977 raise e.ag_error_metadata.to_exception(e)
978 else:
979 raise

ValueError: in user code:

/usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/training.py:805 train_function  *
    return step_function(self, iterator)
/usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/training.py:795 step_function  **
    outputs = model.distribute_strategy.run(run_step, args=(data,))
/usr/local/lib/python3.7/dist-packages/tensorflow/python/distribute/distribute_lib.py:1259 run
    return self._extended.call_for_each_replica(fn, args=args, kwargs=kwargs)
/usr/local/lib/python3.7/dist-packages/tensorflow/python/distribute/distribute_lib.py:2730 call_for_each_replica
    return self._call_for_each_replica(fn, args, kwargs)
/usr/local/lib/python3.7/dist-packages/tensorflow/python/distribute/distribute_lib.py:3417 _call_for_each_replica
    return fn(*args, **kwargs)
/usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/training.py:788 run_step  **
    outputs = model.train_step(data)
/usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/training.py:756 train_step
    y, y_pred, sample_weight, regularization_losses=self.losses)
/usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/compile_utils.py:186 __call__
    self.build(y_pred)
/usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/compile_utils.py:139 build
    self._losses = nest.map_structure(self._get_loss_object, self._losses)
/usr/local/lib/python3.7/dist-packages/tensorflow/python/util/nest.py:659 map_structure
    structure[0], [func(*x) for x in entries],
/usr/local/lib/python3.7/dist-packages/tensorflow/python/util/nest.py:659 <listcomp>
    structure[0], [func(*x) for x in entries],
/usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/compile_utils.py:262 _get_loss_object
    loss = losses_mod.get(loss)
/usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/losses.py:1899 get
    return deserialize(identifier)
/usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/losses.py:1858 deserialize
    printable_module_name='loss function')
/usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/utils/generic_utils.py:378 deserialize_keras_object
    'Unknown ' + printable_module_name + ': ' + object_name)]
0
Cristhian Ortiz
Cristhian Ortiz
Estudiante

Por favor una guía o explicación de cuándo utilizar la cpu y cuando la gpu, entiendo que son procesos de paralelización distintos. Pero no me queda claro en qué casos puedo utilizar uno o el otro

1
Cristhian Ortiz
Cristhian Ortiz
Estudiante

Cuando hablamos de cajas negras? a partir de un n(número) de capas intermedias?
Existen redes neuronales de pocas capas a las cuales se les pueda explicar el porqué de la solución?

0
MICHAEL HURTADO CHAPOÑAN
MICHAEL HURTADO CHAPOÑAN
Estudiante

Buenas tardes compañeros, quisiera saber si el proyecto de NeRF: campos de radiancia neuronal, se puede hallar el volumen numerico en su algoritmo, de ser posible por favor de compartir el link del proyecto. Quisiera hallar el volumen de objetos.

1
Enrique Villamizar
Enrique Villamizar
Estudiante

En Jupyter puedo también cambiar la ejecución a GPU? Como se hace?

0
Uriel Torres
Uriel Torres
Estudiante

Buen día, no entendí muy bien como se definió la expresión:

parameters['W'+str(l+1)] = (np.random.rand(layers_dim[l],layers_dim[l+1]) * 2) - 1

si yo quisiera implementar otro dataset o resolver otro sistema, ¿Qué necesitaría yo considerar?

0
Edgar Andrés Montenegro Martínez
Edgar Andrés Montenegro Martínez
Estudiante

Es mejor proporcionar los datos de entrada como vectores que como matrices?

0
Uriel Torres
Uriel Torres
Estudiante

Tengo la duda, entonces como se que función usar para cada aplicación, de alguna manera ya se maneja algún estándar o ¿Cómo puedo empezar a conocer las opciones y recomendaciones?

0
Alfonso Angel Morán Téllez
Alfonso Angel Morán Téllez
Estudiante

A ver si entendí.

Se está entrenando a la red 4 veces diferentes con distintos tipos datos de validación. Luego se hará un promedio.

¿Por qué ahora se hace así?

0