Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Aprende Aprendizaje Profundo
El aprendizaje profundo es un campo de la inteligencia artificial en rápida evolución que ha revolucionado el campo del aprendizaje automático, permitiendo avances en áreas como la visión por ordenador, el procesamiento del lenguaje natural y el reconocimiento del habla. Los avances más recientes en IA Generativa, incluidos los generadores de imágenes y los chatbots conversacionales, han llevado a la luz pública los modelos de aprendizaje automático profundo. Empieza hoy mismo a aprender cómo funciona el aprendizaje profundo y cómo entrenar tú mismo modelos profundos.Utiliza PyTorch, la forma más pitónica de hacer Aprendizaje Profundo
PyTorch es un marco de aprendizaje profundo potente y flexible que permite a investigadores y profesionales construir y entrenar redes neuronales con facilidad. Amado por los Pythonistas de todo el mundo, PyTorch ofrece mucha flexibilidad y una forma intuitiva de implementar conceptos de aprendizaje profundo.Entrenar modelos robustos de aprendizaje profundo
Este curso de aprendizaje profundo con PyTorch está diseñado para proporcionarte una comprensión exhaustiva de los conceptos y técnicas fundamentales del aprendizaje profundo, y equiparte con las habilidades prácticas para implementar diversos conceptos de redes neuronales. Te familiarizarás con las arquitecturas multientrada y multisalida. Aprenderás a evitar los problemas de desaparición y explosión de gradientes utilizando activaciones no saturantes, normalización por lotes e inicialización adecuada de los pesos. Podrás aliviar el sobreajuste utilizando la regularización y el abandono. Por último, sabrás cómo acelerar el proceso de entrenamiento con la programación del ritmo de aprendizaje.Construir modelos de imágenes y secuencias
Conocerás dos arquitecturas de redes neuronales especializadas: Redes Neuronales Convolucionales (CNN) para datos de imagen y Redes Neuronales Recurrentes (RNN) para datos secuenciales como series temporales o texto. Comprenderás sus ventajas y podrás aplicarlas en tareas de clasificación de imágenes y predicción de series temporales.Al final del curso, tendrás los conocimientos y la confianza necesarios para entrenar y evaluar con solidez tus propios modelos de aprendizaje profundo para una serie de aplicaciones.
Requisitos previos
Programa de formación
Contenido del curso
1
Entrenamiento de redes neuronales de calidad
Aprende a entrenar redes neuronales con calidad. En este capítulo, utilizarás la programación orientada a objetos para definir conjuntos de datos y modelos PyTorch y actualizarás tus conocimientos sobre el entrenamiento y la evaluación de redes neuronales. También te familiarizarás con distintos optimizadores y, por último, te familiarizarás con diversas técnicas que ayudan a mitigar los problemas de gradientes inestables tan omnipresentes en el entrenamiento de redes neuronales.
- PyTorch y la programación orientada a objetos50 XP
- Conjunto de datos PyTorch100 XP
- DataLoader PyTorch100 XP
- Modelo PyTorch100 XP
- Optimizadores, formación y evaluación50 XP
- Bucle de entrenamiento100 XP
- Optimizadores100 XP
- Evaluación del modelo100 XP
- Desvanecimiento y explosión de gradientes50 XP
- Inicialización y activación100 XP
- Activaciones: ReLU vs. ELU100 XP
- Normalización por lotes100 XP
2
Imágenes y redes neuronales convolucionales
Entrena redes neuronales para resolver tareas de clasificación de imágenes. En este capítulo, aprenderás a manejar datos de imágenes en PyTorch y a familiarizarte con las redes neuronales convolucionales (). Practicarás el entrenamiento y la evaluación de un clasificador de imágenes mientras aprendes cómo mejorar el rendimiento del modelo con el aumento de datos.
3
Secuencias y redes neuronales recurrentes
Construye y entrena redes neuronales recurrentes (RNN) para procesar datos secuenciales, como series temporales, texto o audio. Aprenderás las dos arquitecturas recurrentes más populares, las redes de memoria a corto y largo plazo (LSTM) y las unidades recurrentes con compuerta (GRU), así como a preparar datos secuenciales para el entrenamiento de modelos. Practicarás tus habilidades entrenando y evaluando un modelo recurrente para predecir el consumo de electricidad.
4
Arquitecturas multientrada y multisalida
Construye modelos multientrada y multisalida y demuestra cómo pueden manejar tareas que requieran más de una entrada o generen múltiples salidas. Vas a explorar cómo diseñar y entrenar estos modelos con PyTorch y profundizarás en el tema crucial de la ponderación de las pérdidas en los modelos multisalida. Esto implica comprender cómo equilibrar la importancia de las distintas tareas cuando se entrena a un modelo para que realice varias tareas simultáneamente.
Aprendizaje profundo intermedio con PyTorch
Curso
completado
