Introducción al aprendizaje profundo con PyTorch
Comience El Curso Gratis4 Horas16 Videos50 Ejercicios
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?Pruebe DataCamp para empresas
Preferido por estudiantes en miles de empresas
Descripción del curso
El aprendizaje profundo está en todas partes, desde las cámaras de los smartphones hasta los asistentes de voz o los coches autoconducidos. En este curso, descubrirás esta potente tecnología y aprenderás a aprovecharla utilizando PyTorch, una de las bibliotecas de aprendizaje profundo más populares. Al final de este curso, serás capaz de aprovechar PyTorch para resolver problemas de clasificación y regresión tanto en datos tabulares como de imágenes utilizando deep learning.
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Aprendizaje profundo en Python
Ir a la pistaDesarrollar grandes modelos lingüísticos
Ir a la pistaFundamentos del machine learning con Python
Ir a la pista- 1
Introducción a PyTorch, una biblioteca de aprendizaje profundo
GratuitoCoches que se conducen solos, smartphones, motores de búsqueda... El aprendizaje profundo está ahora en todas partes. Antes de empezar a construir modelos complejos, se familiarizará con PyTorch, un marco de aprendizaje profundo. Aprenderás a manipular tensores, crear estructuras de datos en PyTorch y construir tu primera red neuronal en PyTorch.
Introducción al aprendizaje profundo con PyTorch50 xpAprendizaje automático frente a aprendizaje profundo100 xpCreación de tensores y acceso a los atributos100 xpCreación de tensores a partir de matrices NumPy100 xpCrear nuestra primera red neuronal50 xpSu primera red neuronal100 xpApilamiento de capas lineales100 xpDescubrir las funciones de activación50 xp¡Active su comprensión!50 xpLas funciones sigmoidea y softmax100 xp - 2
Entrenamiento de nuestra primera red neuronal con PyTorch
Para entrenar una red neuronal en PyTorch, primero tendrás que entender el trabajo de una función de pérdida. Entonces te darás cuenta de que entrenar una red requiere minimizar esa función de pérdida, lo que se hace calculando gradientes. Aprenderás a utilizar estos gradientes para actualizar los parámetros de tu modelo y, por último, escribirás tu primer bucle de entrenamiento.
Ejecutar un pase hacia delante50 xpCreación de un clasificador binario en PyTorch100 xpDe la regresión a la clasificación multiclase100 xpUso de funciones de pérdida para evaluar las predicciones de los modelos50 xpCreación de etiquetas codificadas en un solo paso100 xpCálculo de la pérdida de entropía cruzada100 xpUso de derivadas para actualizar los parámetros del modelo50 xpEstimación de una muestra100 xpAcceso a los parámetros del modelo100 xpActualización manual de los pesos100 xpUso del optimizador PyTorch100 xpEscribir nuestro primer bucle de entrenamiento50 xpUtilización de MSELoss100 xpEscribir un bucle de entrenamiento100 xp - 3
Arquitectura de redes neuronales e hiperparámetros
Los hiperparámetros son parámetros, a menudo elegidos por el usuario, que controlan el entrenamiento del modelo. El tipo de función de activación, el número de capas del modelo y la tasa de aprendizaje son hiperparámetros del entrenamiento de redes neuronales. Juntos descubriremos los hiperparámetros más críticos de una red neuronal y cómo modificarlos.
Descubrir funciones de activación entre capas50 xpAplicación de ReLU100 xpAplicación de Re con fugasLU100 xpComprender las funciones de activación50 xpUna inmersión más profunda en la arquitectura de las redes neuronales50 xpContar el número de parámetros100 xpManipular la capacidad de una red100 xpRitmo de aprendizaje e impulso50 xpExperimentar con el ritmo de aprendizaje100 xpExperimentar con el impulso100 xpInicialización de capas y aprendizaje por transferencia50 xpPuesta a punto100 xpCongelar capas de un modelo100 xpInicialización de capas100 xp - 4
Evaluación y mejora de los modelos
Entrenar un modelo de aprendizaje profundo es un arte, y para asegurarnos de que nuestro modelo está entrenado correctamente, necesitamos hacer un seguimiento de ciertas métricas durante el entrenamiento, como la pérdida o la precisión. Aprenderemos a calcular estas métricas y a reducir el sobreajuste utilizando como ejemplo un conjunto de datos de imágenes.
Una inmersión más profunda en la carga de datos50 xpUso de la clase TensorDataset100 xpDe la carga de datos a la ejecución de un pase de avance100 xpEvaluación del rendimiento de los modelos50 xpEscribir el bucle de evaluación100 xpCálculo de la precisión mediante torchmetrics100 xpLucha contra el sobreajuste50 xpExperimentar con el abandono100 xpComprender el sobreajuste50 xpMejorar el rendimiento de los modelos50 xpAplicación de la búsqueda aleatoria100 xpVídeo de recapitulación50 xp
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Aprendizaje profundo en Python
Ir a la pistaDesarrollar grandes modelos lingüísticos
Ir a la pistaFundamentos del machine learning con Python
Ir a la pistaEn otras pistas
Científico de Machine Learning con PythonColaboradores
Audio Grabado Por
Maham Khan
Ver MasSenior Data Scientist, YouView TV
Thomas Hossler
Ver MasSenior Machine Learning Engineer
¿Qué tienen que decir otros alumnos?
¡Únete a 13 millones de estudiantes y empieza Introducción al aprendizaje profundo con PyTorch 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.