Introducción al Aprendizaje Profundo en Python
Aprende los fundamentos de redes neuronales y cómo crear modelos de deep learning con Keras 2.0 en Python.
Comienza El Curso Gratis4 horas17 vídeos50 ejercicios250.619 aprendicesDeclaración de cumplimiento
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.¿Entrenar a 2 o más personas?
Probar DataCamp for BusinessPreferido por estudiantes en miles de empresas
Descripción del curso
Descubre las aplicaciones del aprendizaje profundo
El aprendizaje profundo es la técnica de machine learning que está detrás de las capacidades más apasionantes de la robótica, el procesamiento del lenguaje natural, el reconocimiento de imágenes y la inteligencia artificial. En este curso de 4 horas, adquirirás conocimientos prácticos sobre cómo aplicar tus conocimientos de Python al aprendizaje profundo con la biblioteca Keras 2.0.Explora los Modelos Keras con un Colaborador de la Biblioteca
Impartido por el ex-científico de datos de Google y colaborador de Keras, Dan Becker, este curso de aprendizaje profundo explora los modelos de redes neuronales y cómo puedes generar predicciones con ellos. Los primeros capítulos te ayudarán a comprender mejor la propagación hacia delante y hacia atrás y cómo funcionan en la práctica.La biblioteca Keras es una biblioteca de Python que puede ayudarte a desarrollar y revisar modelos de aprendizaje profundo. Como muchas bibliotecas de Python, es gratuita, de código abierto y muy fácil de usar. Empezarás creando un modelo Keras y aprenderás a compilarlo, ajustarlo y clasificarlo antes de hacer predicciones. Una vez que hayas completado este curso, tendrás todas las herramientas que necesitas para construir redes neuronales profundas y empezar a experimentar con redes más amplias y profundas con el tiempo.
Profundiza en el Aprendizaje Profundo
Este curso forma parte de varios programas de machine learning y deep learning, que te ofrecen vías claras para desarrollar tus habilidades y experiencia en esta área una vez que hayas completado el curso introductorio, tanto si quieres completar un proyecto personal como si quieres avanzar hacia una carrera como científico de machine learning.¿Entrenar a 2 o más personas?
Obtén a tu equipo acceso a la plataforma DataCamp completa, incluidas todas las funciones.- 1
Fundamentos del aprendizaje profundo y las redes neuronales
GratuitoEn este capítulo, te familiarizarás con los conceptos fundamentales y la terminología utilizada en el aprendizaje profundo, y comprenderás por qué las técnicas de aprendizaje profundo son tan potentes hoy en día. Construirás redes neuronales sencillas y generarás predicciones con ellas.
Introducción al aprendizaje profundo50 xpComparación de los modelos de redes neuronales con los modelos de regresión clásicos50 xpPropagación hacia delante50 xpCodificación del algoritmo de propagación hacia delante100 xpFunciones de activación50 xpLa función de activación lineal rectificada100 xpAplicar la red a muchas observaciones/filas de datos100 xpRedes más profundas50 xpPropagación hacia delante en una red más profunda50 xpRedes neuronales multicapa100 xpLas representaciones se aprenden50 xpNiveles de representación50 xp - 2
Optimización de una red neuronal con propagación hacia atrás
Aprende a optimizar las predicciones generadas por tus redes neuronales. Utilizarás un método llamado propagación hacia atrás, que es una de las técnicas más importantes del aprendizaje profundo. Comprender cómo funciona te dará una base sólida sobre la que construir la segunda mitad del curso.
La necesidad de optimización50 xpCálculo de los errores del modelo50 xpComprender cómo las ponderaciones cambian la precisión del modelo50 xpCodificar cómo afectan los cambios de peso a la precisión100 xpAmpliación a múltiples puntos de datos100 xpDescenso gradual50 xpCálculo de pendientes100 xpMejorar las ponderaciones del modelo100 xpActualizar varias veces los pesos100 xpRetropropagación50 xpLa relación entre la propagación hacia delante y hacia atrás50 xpPensar en la propagación hacia atrás50 xpLa retropropagación en la práctica50 xpUna ronda de retropropagación50 xp - 3
Construir modelos de aprendizaje profundo con keras
En este capítulo, utilizarás la biblioteca Keras para construir modelos de aprendizaje profundo tanto de regresión como de clasificación. Conocerás el flujo de trabajo Especificar-Compilar-Ajustar que puedes utilizar para hacer predicciones y, al final del capítulo, tendrás todas las herramientas necesarias para construir redes neuronales profundas.
Crear un modelo Keras50 xpComprender tus datos50 xpEspecificar un modelo100 xpCompilar y ajustar un modelo50 xpCompilar el modelo100 xpAjuste del modelo100 xpModelos de clasificación50 xpComprender tus datos de clasificación50 xpÚltimos pasos en los modelos de clasificación100 xpUtilizar modelos50 xpHacer predicciones100 xp - 4
Ajuste fino de los modelos keras
Aprende a optimizar tus modelos de aprendizaje profundo en Keras. Empieza por aprender a validar tus modelos, luego comprende el concepto de capacidad del modelo y, por último, experimenta con redes más amplias y profundas.
Comprender la optimización de modelos50 xpDiagnosticar problemas de optimización50 xpCambiar los parámetros de optimización100 xpValidación del modelo50 xpEvaluación de la precisión del modelo en el conjunto de datos de validación100 xpParada anticipada: Optimizar la optimización100 xpExperimentar con redes más amplias100 xpAñadir capas a una red100 xpPensar en la capacidad del modelo50 xpExperimentar con estructuras modelo50 xpPaso a las imágenes50 xpConstruir tu propio modelo de reconocimiento de dígitos100 xpReflexiones finales50 xp
¿Entrenar a 2 o más personas?
Obtén a tu equipo acceso a la plataforma DataCamp completa, incluidas todas las funciones.colaboradores
requisitos previos
Supervised Learning with scikit-learn
¿Qué tienen que decir otros alumnos?
¡Únete a 15 millones de estudiantes y empieza Introducción al Aprendizaje Profundo en Python hoy mismo!
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.