TensorFlow para principiantes: redes neuronales

Name: TensorFlow para principiantes: redes neuronales
Author: Josh Turner

Aprenda los conceptos fundamentales de las redes neuronales y explore las aplicaciones de TensorFlow para crearlas

Preview the first lesson free — get full access to all 3 lessons.

Curso: bajo demanda

Hola, mi nombre es Josh Turner. En estas lecciones, aprenderá sobre diferentes tipos de modelos. Empecemos. Entonces, los primeros que queremos discutir son los modelos supervisados. Los modelos supervisados son modelos en los que en cualquier momento que tengas datos etiquetados para su entrenamiento o datos de salida. Entonces digamos que tengo un modelo binario en el que estoy intentando predecir dos cosas diferentes. Tal vez sea alguien que esté enfermo o alguien que no esté enfermo. En ese caso, tengo etiquetas para enfermos y no enfermos en mi conjunto de datos, y ese sería un ejemplo de modelo supervisado. Los modelos supervisados vienen en muchos tipos. Analicemos solo algunos de los tipos de modelos supervisados. Cualquier tipo de modelo de regresión puede considerarse como un modelo supervisado. Por ejemplo, redes neuronales artificiales. Esos son modelos de aprendizaje supervisado. Series de tiempo, donde intentas predecir algún tipo de datos resultantes. Por ejemplo, ventas o prevalencia de enfermedades. Y los árboles de decisión son todos ejemplos de modelos supervisados. Más ejemplos de modelos supervisados desglosan aún más el Tipos de métodos de aprendizaje automático. Así, por ejemplo, tenemos regresión y clasificación. modelos. Ambos son tipos de modelos supervisados. Las redes neuronales convolucionales admiten máquinas vectoriales y De nuevo, vemos los árboles de decisión como regresión y clasificación. Todos esos son tipos de modelos de aprendizaje supervisado. Ahora sabemos y entendemos lo que significa ser un modelo supervisado. Es cualquier tipo de modelo donde sus datos tienen una etiqueta y estás tratando de predecir algo sobre esa etiqueta. El otro tipo de modelo que podemos considerar es el no supervisado. modelos de aprendizaje. Hay muchos tipos diferentes de modelos de aprendizaje no supervisados. también. Te diré muchos de los nombres de estos modelos. No los analizaremos en profundidad, pero al menos conocerás el nombres de los modelos para referencia futura. Los modelos no supervisados no vienen con etiquetas. Por lo tanto, es posible que no estemos tratando de comprender o predecir diferentes tipos de etiquetas. Entonces, algunos ejemplos diferentes de modelos no supervisados incluyen el siguiente. El modelo k-medias. Los modelos de agrupación son buenos ejemplos de modelos no supervisados. PCA o análisis de componentes principales. Un modelo llamado DBSCAN, que es un tipo de agrupación de densidad de modelo. Los métodos atípicos, que quizás hayas visto antes, son También modelos de aprendizaje no supervisados. Y se pueden utilizar tipos realmente diferentes de estimación basada en la densidad. ser visto como Modelos de aprendizaje no supervisados. Bien, entonces esos son algunos tipos diferentes de modelos de aprendizaje. A continuación, hablemos de dos clases diferentes de modelos. Los primeros de los que hablaremos son los modelos paramétricos. Los modelos paramétricos son cualquier tipo de modelo en el que tienes algunos tipo de parámetros a sintonizar. Así, por ejemplo, podrías estar ajustando los parámetros de Pesos y sesgos de una red neuronal. Ese sería un ejemplo de modelo paramétrico. Otros ejemplos incluyen redes neuronales convolucionales. y regresión lineal básica. Por el contrario, tenemos un tipo de modelo llamado no paramétrico. modelos. Los modelos no paramétricos son el tipo de modelos que se crean cuando utiliza estadísticas descriptivas básicas. Y un buen ejemplo de ello es la inferencia bayesiana. Gracias por ver. Estén atentos a la próxima lección, donde aprenderá sobre redes neuronales artificiales.

Principiante Proveedor : Josh Turner 3 lecciones · 19m en Árabe, Alemán, Inglés, Español, Francés, Portugués, Chinese

Descripción del curso

Las redes neuronales se han convertido en una parte integral del aprendizaje automático y se pueden utilizar en una variedad de aplicaciones, desde el procesamiento de imágenes hasta el procesamiento del lenguaje natural. En estas lecciones aprenderá los conceptos fundamentales de las redes neuronales, incluyendo las redes neuronales artificiales (RNA) y el método de mínimos cuadrados. Explorará cómo crear una RNA con TensorFlow y cómo usar el método de mínimos cuadrados para optimizar su desempeño.

Luego, profundizará sobre las redes neuronales convolucionales (RNC), un tipo de red neuronal que se usa comúnmente en el procesamiento de imágenes. Aprenderá las diferentes capas utilizadas en una CNN, como la capa convolucional, la capa de agrupamiento y la capa de aplanamiento, y sus usos principales en el procesamiento de imágenes. También descubrirá las diferentes aplicaciones de las CNN, como el reconocimiento de imágenes y la detección de objetos.

En general, obtendrá una comprensión básica de los diferentes conceptos y técnicas utilizados en la construcción de redes neuronales y las habilidades necesarias para aplicarlas en sus proyectos.

Lo que aprenderás

Entender los conceptos fundamentales de las redes neuronales, incluyendo Redes Neuronales Artificiales (ANN) y el método de Mínimos Cuadrados
Construir una Red Neuronal Artificial (ANN) usando TensorFlow
Aplicar el método de Mínimos Cuadrados para optimizar el desempeño de una ANN
Explorar Redes Neuronales Convolucionales (CNN) y las capas utilizadas en ellas, incluyendo las capas Convolucional, Agrupación y Aplanamiento
Identificar aplicaciones de CNN como reconocimiento de imágenes y detección de objetos

Puntos clave

Las redes neuronales son una parte integral del aprendizaje automático y pueden usarse en aplicaciones que van desde procesamiento de imágenes hasta procesamiento de lenguaje natural.
Las Redes Neuronales Artificiales (ANN) pueden construirse usando TensorFlow, y el método de Mínimos Cuadrados puede usarse para optimizar su desempeño.
Las Redes Neuronales Convolucionales (CNN) son un tipo de red neuronal comúnmente utilizada en procesamiento de imágenes.
Una CNN utiliza diferentes capas, incluyendo la capa Convolucional, capa de Agrupación y capa de Aplanamiento, cada una con un uso principal en procesamiento de imágenes.
Las CNN tienen aplicaciones como reconocimiento de imágenes y detección de objetos.

Preguntas frecuentes

¿Qué aprenderé en este curso?

Aprenderás los conceptos fundamentales de las redes neuronales, incluyendo Redes Neuronales Artificiales (ANN) y el método de Mínimos Cuadrados, cómo construir una ANN usando TensorFlow, cómo optimizar su desempeño con el método de Mínimos Cuadrados, y los fundamentos de las Redes Neuronales Convolucionales (CNN) utilizadas en procesamiento de imágenes.

¿Es este curso adecuado para principiantes?

Sí. El curso proporciona una comprensión fundamental de los diferentes conceptos y técnicas utilizadas en la construcción de redes neuronales y las habilidades necesarias para aplicarlas en tus proyectos.

¿Qué son las Redes Neuronales Convolucionales (CNN) cubiertas en este curso?

Las CNN son un tipo de red neuronal comúnmente utilizada en procesamiento de imágenes. El curso cubre las diferentes capas utilizadas en una CNN, como la capa Convolucional, capa de Agrupación y capa de Aplanamiento, y aplicaciones como reconocimiento de imágenes y detección de objetos.

¿Qué temas cubren las lecciones?

Las lecciones cubren Tipos de Modelos, Redes Neuronales Artificiales y Redes Neuronales Convolucionales.

¿Qué habilidades obtendré de este curso?

Desarrollarás habilidades en Redes Neuronales Artificiales, Aprendizaje Profundo, Métodos de Aprendizaje Profundo, ImageNet, Ingeniería Neuronal y TensorFlow.