TensorFlow para principiantes: aprendizaje profundo con TensorFlow

Name: TensorFlow para principiantes: aprendizaje profundo con TensorFlow
Author: Josh Turner

Aprenda los fundamentos del aprendizaje profundo con TensorFlow y explore los diferentes métodos utilizados en el campo

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

Curso: bajo demanda

Hola, mi nombre es Josh Turner. En estas lecciones, te enseñaré sobre métodos de aprendizaje profundo, el perceptrón multicapa y el aprendizaje de representación. Empecemos. En el aprendizaje automático, analizamos dos tipos básicos de aprendizaje profundo. Métodos de aprendizaje, regresión y clasificación. En esta lección, te enseñaré algo de regresión profunda. Modelos de aprendizaje y algunas clasificaciones de aprendizaje profundo. modelos. Lo primero que discutiremos es la regresión. Los modelos de regresión son excelentes para hacer cosas como predicciones e inferencias sobre diferentes tipos de datos, así como interpolación entre puntos de datos dados. El primer modelo de regresión y el más básico que nos gusta De lo que hoy hablamos es del perceptrón multicapa. El perceptrón multicapa se puede implementar en TensorFlow utilizando la estructura de capas de TensorFlow. La idea básica es construir un modelo usando capas conectadas posteriores. Comienzas con algún tipo de datos de entrada y los colocas en un capa formada por pesos y sesgos. Esa capa usa los pesos y sesgos para hacer algunas cálculo matemático, dando algún tipo de datos de salida. Los datos de salida serán entonces los datos de entrada para el siguiente o capa posterior, que también consta de pesos y sesgos. Este proceso se repite hasta que se obtiene algún resultado final. El El siguiente tipo de modelo de regresión que debemos discutir es el RNN corta la clase de modelo LSTM. RNN significa Red neuronal recurrente. LSTM significa Memoria a Largo Corto Plazo. Estos permiten relaciones de recurrencia básicas en nuestros datos. Básicamente sigue la estructura de capas, pero permite capas que se reiteran y se invocan a sí mismas. Podemos usar esto para modelar datos de series de tiempo para cosas como predicciones de ventas o la prevalencia y difusión de enfermedad. Bien, esos son algunos modelos de aprendizaje profundo de regresión. Ahora, hablemos del segundo tipo de aprendizaje profundo. método, que es clasificación. Los modelos de clasificación son muy útiles para cualquier científico de datos. Podemos utilizar clasificaciones de imágenes. Podemos clasificar ciudades por ubicaciones. Podemos clasificar diferentes tipos de coches, etc. Cualquier tarea de clasificación que se te ocurra, podemos utilizarla. y crear un modelo de clasificación para ayudar a predecir con eso tarea. En TensorFlow, hay muchos tipos diferentes de modelos de clasificación. Discutiremos un par de estos ahora. El primer modelo que me gustaría discutir es el Red Neuronal Convolucional o CNN. CNN se puede implementar en TensorFlow siguiendo la capa estructura también. Y estos son geniales para la clasificación de imágenes o, como dije Antes, realmente cualquier tarea de clasificación. La idea básica es la misma. Tenemos algún tipo de datos de entrada. Lo ponemos en una capa. La salida de esa capa será la entrada para la siguiente capa. y se repite el proceso. Sin embargo, hay una diferencia con las CNN. Estas capas tienen nombres especiales y pueden requerir diferentes técnicas matemáticas que el multicapa regular perceptrón. La primera capa que es muy importante para la CNN es la capa convolucional. La siguiente capa después de esta es la capa de agrupación. Una vez que comprendamos estas capas, podemos repetir este proceso y obtener un resultado o predicción final. El método de aprendizaje profundo de clasificación final que me gustaría discutir con usted se llama aprendizaje de representación. El aprendizaje por representación también puede seguir una estructura modelo. Es un poco diferente a la clasificación de imágenes, sin embargo. Clasifica imágenes, pero también crea imágenes. Y la idea básica es la siguiente. Comienzas con algún tipo de datos de entrada y los ejecutas en un modelo llamado codificador. El codificador dará algún tipo de salida que hará que el datos mucho más pequeños y proyectarlos hacia un espacio latente. Esto nos permite aprender sólo las características más importantes. Luego, la imagen o los datos se envían a un decodificador donde se realiza un análisis final. se hace la predicción. Bien, esos son algunos buenos métodos de aprendizaje profundo. Gracias por ver. Estén atentos a la próxima lección donde aprenderá sobre el perceptrón multicapa.

Principiante Proveedor : Josh Turner 3 lecciones · 20m en Árabe, Alemán, Inglés, Español, Francés, Portugués, Chinese

Descripción del curso

El aprendizaje profundo es un campo que evoluciona rápidamente, y tener una comprensión fundamental de los diferentes métodos y técnicas utilizados en el aprendizaje profundo puede ser valioso para los profesionales de este espacio. En estas lecciones aprenderá los diferentes métodos de aprendizaje profundo utilizados en el campo, incluidas las redes neuronales convolucionales (CNN) y los perceptrones multicapa (MLP). También descubrirá los diferentes nombres que se utilizan para las ponderaciones en el aprendizaje profundo y explorará las diversas funciones de pérdida que se pueden utilizar en una red neuronal, como el error cuadrático medio (MSE), la entropía cruzada categórica dispersa y la entropía cruzada binaria.

Luego, explorará los diferentes tipos de capas que se utilizan en las redes neuronales convolucionales (CNN), como la capa convolucional, la capa de agrupación y la capa de aplanamiento. También aprenderá sobre las diferentes capas de un perceptrón multicapa (MLP), que es otro tipo de red neuronal habitualmente utilizada en el aprendizaje profundo.

A continuación, profundizará sobre los autocodificadores, que son un tipo de red neuronal utilizada para el aprendizaje no supervisado. Aprenderá las diferentes capas de un Autocodificador, incluida la capa de codificación y la capa de decodificación. También explorará las ventajas de tener una capa más pequeña en un codificador automático y cómo puede mejorar la eficiencia del modelo.

En general, descubrirá uno de los conjuntos de datos populares disponibles en los conjuntos de datos de TensorFlow y aprenderá sobre las aplicaciones de los codificadores automáticos en el aprendizaje de funciones en imágenes. También descubrirá si la capa del codificador automático debería ser más grande y comprenderá el razonamiento que hay detrás.

Lo que aprenderás

Reconocer los diferentes métodos de aprendizaje profundo utilizados en el campo, incluyendo Redes Neuronales Convolucionales (CNN) y Perceptrones Multicapa (MLP)
Describir los diferentes nombres utilizados para pesos en aprendizaje profundo
Explicar las diversas funciones de pérdida utilizadas en redes neuronales, como Error Cuadrático Medio (MSE), Entropía Cruzada Categórica Dispersa y Entropía Cruzada Binaria
Identificar los diferentes tipos de capas utilizadas en CNN, incluyendo las capas Convolucional, Agrupamiento y Aplanamiento
Explorar Codificadores Automáticos para aprendizaje no supervisado, incluyendo las capas de Codificación y Decodificación
Descubrir un conjunto de datos popular de TensorFlow y las aplicaciones de Codificadores Automáticos en el aprendizaje de características en imágenes

Puntos clave

El aprendizaje profundo utiliza varios métodos, incluyendo Redes Neuronales Convolucionales (CNN) y Perceptrones Multicapa (MLP).
Las redes neuronales pueden utilizar diferentes funciones de pérdida, como Error Cuadrático Medio (MSE), Entropía Cruzada Categórica Dispersa y Entropía Cruzada Binaria.
Las Redes Neuronales Convolucionales se construyen a partir de tipos de capas que incluyen la capa Convolucional, capa de Agrupamiento y capa de Aplanamiento.
Los Codificadores Automáticos son un tipo de red neuronal utilizada para aprendizaje no supervisado, compuesta por una capa de Codificación y una capa de Decodificación.
Una capa más pequeña en un Codificador Automático puede mejorar la eficiencia del modelo y ayuda a aprender características en imágenes.

Preguntas frecuentes

¿Para quién es este curso?

Está dirigido a profesionales en el campo del aprendizaje profundo que desean una comprensión fundamental de los diferentes métodos y técnicas utilizados en el campo.

¿Qué métodos de aprendizaje profundo cubre el curso?

Cubre métodos de aprendizaje profundo incluyendo Redes Neuronales Convolucionales (CNN), Perceptrones Multicapa (MLP) y Codificadores Automáticos.

¿Qué aprenderé sobre las funciones de pérdida?

Explorará las diversas funciones de pérdida utilizadas en una red neuronal, como Error Cuadrático Medio (MSE), Entropía Cruzada Categórica Dispersa y Entropía Cruzada Binaria.

¿Qué son los Codificadores Automáticos cubiertos en este curso?

Los Codificadores Automáticos son un tipo de red neuronal utilizada para aprendizaje no supervisado; el curso cubre sus capas de Codificación y Decodificación, los beneficios de tener una capa más pequeña y sus aplicaciones en el aprendizaje de características en imágenes.

¿Qué habilidades desarrolla este curso?

Desarrolla habilidades en TensorFlow, Aprendizaje Profundo, Métodos de Aprendizaje Profundo, Codificadores Automáticos, Aprendizaje de Características y Conjuntos de Datos de Entrenamiento.