Name: Introducción al aprendizaje profundo con PyTorch
Rating: 4.818762088974855 (5170 reviews)

Descripción del curso

Comprender el poder del aprendizaje profundo

El aprendizaje profundo está en todas partes: en las cámaras de los smartphones, en los asistentes de voz y en los vehículos autónomos. Incluso ha ayudado a descubrir estructuras de proteínas y a vencer a los humanos en el juego del go. Descubre esta potente tecnología y aprende a aprovecharla utilizando PyTorch, una de las bibliotecas de aprendizaje profundo más populares.

Entrena tu primera red neuronal

En primer lugar, aborda la diferencia entre el aprendizaje profundo y el machine learning "clásico". Aprenderás el proceso de entrenamiento de una red neuronal y a escribir un bucle de entrenamiento. Para ello, crearás funciones de pérdida para problemas de regresión y clasificación y aprovecharás PyTorch para calcular sus derivadas.

Evalúa y mejora tu modelo

En la segunda parte, aprenderás los distintos hiperparámetros que puedes ajustar para mejorar tu modelo. Tras conocer los distintos componentes de una red neuronal, podrás crear arquitecturas mayores y más complejas. Para medir el rendimiento de tus modelos, utilizarás TorchMetrics, una biblioteca de PyTorch para la evaluación de modelos.

Al finalizar, serás capaz de aprovechar PyTorch para resolver problemas de clasificación y regresión en datos tabulares y de imágenes utilizando el aprendizaje profundo. Una capacidad vital para los profesionales de datos con experiencia que buscan avanzar en sus carreras.

Requisitos previos

Supervised Learning with scikit-learn Introduction to NumPy Python Toolbox

Programa de formación

Esquema del curso

Introducción a PyTorch, una biblioteca de aprendizaje profundo

Vehículos autónomos, smartphones, motores de búsqueda... El aprendizaje profundo está ahora en todas partes. Antes de empezar a crear modelos complejos, te familiarizarás con PyTorch, un marco de aprendizaje profundo. Aprenderás a manipular tensores, crear estructuras de datos de PyTorch y construir tu primera red neuronal en PyTorch con capas lineales.

Empezar capítulo

Hiperparámetros y arquitectura de redes neuronales

Para entrenar una red neuronal en PyTorch, primero tendrás que entender componentes adicionales, como las funciones de activación y pérdida. Entonces te darás cuenta de que entrenar una red requiere reducir al mínimo esa función de pérdida, lo que se hace calculando gradientes. Aprenderás a utilizar estos gradientes para actualizar los parámetros de tu modelo.

Empezar capítulo

Entrenar una red neuronal con PyTorch

Ahora que has aprendido los componentes clave de una red neuronal, entrenarás una utilizando un bucle de entrenamiento. Explorarás posibles problemas, como la desaparición de gradientes, y aprenderás estrategias para resolverlos, como funciones de activación alternativas y el ajuste de la tasa de aprendizaje y el impulso.

Empezar capítulo

Evaluación y mejora de los modelos

Entrenar un modelo de aprendizaje profundo es un arte, y para asegurarnos de que nuestro modelo se entrene correctamente, necesitamos hacer un seguimiento de ciertos parámetros durante el entrenamiento, como la pérdida o la exactitud. Aprenderemos a calcular estas métricas y a reducir el sobreajuste.