Saltar al contenido principal
InicioArtificial IntelligenceIntroducción al aprendizaje profundo con PyTorch

Introducción al aprendizaje profundo con PyTorch

Aprende a construir tu primera red neuronal, ajustar hiperparámetros y resolver problemas en PyTorch.

Comience El Curso Gratis
4 horas16 vídeos50 ejercicios
26.290 aprendicesTrophyDeclaración de cumplimiento

Crea Tu Cuenta Gratuita

GoogleLinkedInFacebook

o

Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.
Group¿Entrenar a 2 o más personas?Pruebe DataCamp para empresas

Preferido por estudiantes en miles de empresas


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.
Empresas

Group¿Entrenar a 2 o más personas?

Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y más
Pruebe DataCamp Para EmpresasPara obtener una solución a medida, reserve una demostración.

En las siguientes pistas

Ingeniero Asociado de IA para Científicos de Datos

Ir a la pista

Aprendizaje profundo en Python

Ir a la pista

Desarrollar grandes modelos lingüísticos

Ir a la pista
  1. 1

    Introducción a PyTorch, una biblioteca de aprendizaje profundo

    Gratuito

    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.

    Reproducir Capítulo Ahora
    Introducción al aprendizaje profundo con PyTorch
    50 xp
    Machine learning frente a aprendizaje profundo
    100 xp
    Crear tensores y acceder a los atributos
    100 xp
    Crear tensores a partir de matrices NumPy
    100 xp
    Crear nuestra primera red neuronal
    50 xp
    Tu primera red neuronal
    100 xp
    Apilar capas lineales
    100 xp
    Descubrir las funciones de activación
    50 xp
    ¡Activa tu comprensión!
    50 xp
    Las funciones sigmoide y softmax
    100 xp
  2. 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 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 y, por último, escribirás tu primer bucle de entrenamiento.

    Reproducir Capítulo Ahora
  3. 3

    Hiperparámetros y arquitectura de redes neuronales

    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.

    Reproducir Capítulo Ahora
  4. 4

    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 dichos parámetros y a reducir el sobreajuste utilizando como ejemplo un conjunto de datos de imágenes.

    Reproducir Capítulo Ahora
Empresas

Group¿Entrenar a 2 o más personas?

Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y más

En las siguientes pistas

Ingeniero Asociado de IA para Científicos de Datos

Ir a la pista

Aprendizaje profundo en Python

Ir a la pista

Desarrollar grandes modelos lingüísticos

Ir a la pista

En otras pistas

Fundamentos del aprendizaje automático en PythonCientífico de machine learning en Python

conjuntos de datos

Water PotabilityFace Mask Dataset

colaboradores

Collaborator's avatar
Amy Peterson
Collaborator's avatar
James Chapman
Collaborator's avatar
George Boorman

Audio grabado por

Maham Khan's avatar
Maham Khan
Maham Khan HeadshotMaham Khan

Senior Data Scientist, YouView TV

Ver Más

¿Qué tienen que decir otros alumnos?

¡Únete a 14 millones de estudiantes y empieza Introducción al aprendizaje profundo con PyTorch hoy mismo!

Crea Tu Cuenta Gratuita

GoogleLinkedInFacebook

o

Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.