Introducción al transfer learning
Contenido del curso
Primeros pasos con transfer learning y transformers
Computer vision
Procesamiento de lenguaje natural
Comparte en el Hub
Introducción al transfer learning
Introducción al transfer learning
Contenido del curso
Orlando castellanos
Omar Uriel Espejel Díaz
Profesor
Rodrigo Alles
Patricio Sánchez Fernández
Joaquín Alejandro Domínguez Lozano
Omar Uriel Espejel Díaz
Profesor
Cesar supo
Omar Uriel Espejel Díaz
Profesor
Mauricio Combariza
Diego Alejandro Lesmes
Patricio Sánchez Fernández
Juan Jose Sepulveda Calderon
Julian Castro Pulgarin
Omar Uriel Espejel Díaz
Profesor
Mi Chu
Julian Castro Pulgarin
Joaquin Romero Flores
Diego Alberto Rodarte Sánchez
Samuel Soto Hoyos
Jesús Briceño
Omar Uriel Espejel Díaz
Profesor
Carlos Andres Gomez Daza
Daniel Stiven Correa Gonzalez
Omar Uriel Espejel Díaz
Profesor
Omar Sanseviero
Virry T.
MARIA TERESA PANIAGUA RIVERA
Patricio Sánchez Fernández
andrea isabel perez chang
Jafet Brito
Francisco Alejandro Franco Rivera
estoy muy sorprendido de que sacaran este curso, platzi necesita mas de este contenido si quieren ser congruentes con su propuesta por que a pesar de que hay muy buenos cursos de data no se comparan al evidente favoritismo que platzi tiene por el web developer mas de este contenido por favor
Muchas gracias Orlando! Cualquier retroalimentación no dudes en comentarnos! 🤓
Introducción al Transfer Learning y Hugging Face
El Transfer Learning (Aprendizaje por Transferencia) es un enfoque en la Inteligencia Artificial (IA) en el que se entrena un modelo para resolver una tarea específica, y luego se utiliza ese modelo pre-entrenado como punto de partida para entrenar otro modelo en una tarea similar. De esta manera, se puede aprovechar el conocimiento previo del modelo y evitar tener que entrenarlo desde cero para cada tarea nueva.
En el campo del Procesamiento del Lenguaje Natural (NLP), Hugging Face es una plataforma líder en el desarrollo y aplicación del Transfer Learning. Ofrece una biblioteca de modelos de lenguaje pre-entrenados, así como herramientas y recursos para entrenar y personalizar modelos pre-entrenados para tareas específicas de NLP.
En esta introducción, exploraremos los conceptos básicos del Transfer Learning y Hugging Face y cómo pueden ser utilizados en aplicaciones de NLP.
Transfer Learning
El Transfer Learning se basa en la idea de que los modelos de aprendizaje automático pueden aprender patrones generales que son útiles en múltiples tareas. En lugar de entrenar un modelo desde cero para cada tarea nueva, se puede utilizar un modelo pre-entrenado como punto de partida y ajustarlo para la tarea específica.
Por ejemplo, si queremos entrenar un modelo para clasificar opiniones de películas como positivas o negativas, podríamos utilizar un modelo pre-entrenado en una tarea similar, como la clasificación de noticias como verdaderas o falsas. El modelo pre-entrenado ya ha aprendido patrones de lenguaje que pueden ser útiles para la tarea de clasificación de opiniones de películas, y puede ser ajustado con un conjunto de datos de entrenamiento más pequeño y específico para la tarea de clasificación de opiniones de películas.
El Transfer Learning es especialmente útil en aplicaciones de NLP, donde los modelos pre-entrenados pueden aprender patrones de lenguaje comunes que son relevantes para múltiples tareas de procesamiento de lenguaje natural.
Hugging Face
Hugging Face es una plataforma líder en el desarrollo y aplicación del Transfer Learning en el campo del Procesamiento del Lenguaje Natural (NLP). Ofrece una biblioteca de modelos de lenguaje pre-entrenados, como BERT, GPT-2, RoBERTa y otros, así como herramientas y recursos para entrenar y personalizar modelos pre-entrenados para tareas específicas de NLP.
Además, Hugging Face ofrece una variedad de herramientas y recursos, como Transformers, una biblioteca de Python para el procesamiento de lenguaje natural con modelos pre-entrenados de Hugging Face, y Datasets, una biblioteca de Python para trabajar con conjuntos de datos para tareas de NLP.
En resumen, Hugging Face es una plataforma líder en la aplicación del Transfer Learning en el campo del Procesamiento del Lenguaje Natural, y ofrece una variedad de herramientas y recursos para aprovechar al máximo los modelos pre-entrenados y personalizarlos para tareas específicas de NLP.
Gracias por el aporte....!!!
no se qué es esto pero ya lo quiero aprender, AHHHHHH!!!
Es el presente de la IA!
Estaba esperando este curso con muchas ganas...
Que gusto! Espero que sea de utilidad!
Se ve mucho mejor de lo que esperaba. que maravilla!!!
🤗 Muy feliz de tener el contenido de este curso, me costo bastante entneder la documentacion y aprender a usarlo en un dominio personalizado, esto es de gran valor y mas aun con el crecimiento de esta comunidad en los ultimos meses
Diego, no importa cuanto cueste, lo importante es no perder el entusiasmo por aprender nuevas competencias.
Este curso se ve prometedor 🤩
Lo es!
Cumplió?
ocupo trabajar en hugging face 🤭
Goals
Introducción al Transfer Learning
Comparto con ustedes las notas de Cornell Method a modo de sumario.
En lineas generales, los modelos de machine learning aprenden de los errores cometidos y de los aciertos también hechos por modelos previos.
Es una técnica utilizada que toma modelos entrenados anteriormente y los re-entrena pero enfocados en aplicarlos tareas específicas.
Estos son muy utilizados para modelos de visión por computadora o de procesamiento de lenguaje natural.
Estos modelos logran una comprensión de las imágenes, sus pequeñas cualidades y también del lenguaje. Por ejemplo: pueden comprender muy bien cómo funciona el lenguaje español.
En otras en otras palabras, la idea detrás de la transferencia es almacenar todo este conocimiento de los modelos pre-entrenados y volverlos a utilizar para una tarea un poco diferente.
Esto puede darse cuando ocurren ligeros cambien en el ambiente en el cual se ejecutaba el modelo y por ende debe aplicarse las tecnicas de transfer learning para adaptarlo y reutlizarlo.
Por qué debería utilizarse transfer learning?
que curso de platzi me recomiendas para empezar a aprender a usar python y git?
Hola Diego, yo te aconsejo comenzar con estos dos cursos: https://platzi.com/cursos/python-cs/ https://platzi.com/cursos/git-github/
Esta técnica sirve también para regresión? Es decir, si tengo un modelo que entrené para predecir x variable con ciertas variables de entrada a ciertas condiciones, puedo aplicar transfer learning a dicho modelo para que siga calculando x pero con las variables de entrada en otras condiciones?
Sí se puede usar también para regresión (ejemplo).
Sin embargo, se usa más a menudo cuando es posible crear un modelo que tenga un conocimiento general (no tan específico). Por ejemplo, en lenguaje tenemos modelos que aprenden a leer y entender el español en general. En visión tenemos modelos que entienden muy bien de sombras y volumen. Por lo común en regresión nos enfrentamos a tasks más específicas.
esto sirve para construir chatbots?
alguien sabe que modelo de Hugging face podría usar para clasificación de cliente, veo que en regresiones hay muchos
No conozco uno específicamente. Pero puedes buscar filtrando en la página de modelos de Hugging Face. Por ejemplo, acá filtré por "customer". Si no existe el modelo como tal, podrías usar uno de los disponibles y aplicar transfer learning con tus propios u otros datos.
Creo que tambien depende de que features estamos hablando. Si tienes diferentes features tal vez tecnicas de regresion/clasificacion tradicionales funcionen mejor. En general, los transformers no son ideales para datos tabulares. Pero si el unico input (entrada) es texto, ahi podrias enfocar el problema desde un punto de clasificacion de texto.
Dios, no le entiendo al facilitador.... esto va a estar muy complicado.
Venga a darle con todo
Nuevo curso, nuevo desafío y nuevos conocimientos.
No sabia de este curso y tiene bastante tiempo se ve genial
Excelente, tenía muchas dudas. Ahora voy a resolverlas con este curso.
El transfer learning es una técnica de aprendizaje automático en la que el conocimiento adquirido al resolver un problema se reutiliza para resolver otro problema relacionado.