Introducción al aprendizaje profundo con PyTorch
Aprende a construir tu primera red neuronal, ajustar hiperparámetros y resolver problemas en PyTorch.
Comience El Curso Gratis4 horas16 vídeos50 ejercicios27.013 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?
Pruebe DataCamp para empresasPreferido 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
¿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
Ingeniero Asociado de IA para Científicos de Datos
Ir a la pistaAprendizaje profundo en Python
Ir a la pistaDesarrollar grandes modelos lingüísticos
Ir a la pista- 1
Introducción a PyTorch, una biblioteca de aprendizaje profundo
GratuitoVehículos 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.
Introducción al aprendizaje profundo con PyTorch50 xpMachine learning frente a aprendizaje profundo100 xpCrear tensores y acceder a los atributos100 xpCrear tensores a partir de matrices NumPy100 xpCrear nuestra primera red neuronal50 xpTu primera red neuronal100 xpApilar capas lineales100 xpDescubrir las funciones de activación50 xp¡Activa tu comprensión!50 xpLas funciones sigmoide 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 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.
Ejecutar un paso hacia delante50 xpCrear un clasificador binario en PyTorch100 xpDe la regresión a la clasificación multiclase100 xpUtilizar funciones de pérdida para evaluar las previsiones del modelo50 xpCreación de etiquetas con programación one-hot100 xpCálculo de la pérdida de entropía cruzada100 xpUtilizar derivadas para actualizar los parámetros del modelo50 xpEstimar 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
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.
Descubrir funciones de activación entre capas50 xpImplementación de ReLU100 xpImplementación de Leaky ReLU100 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 xpMomentum y tasa de aprendizaje50 xpExperimentar con la tasa de aprendizaje100 xpExperimentar con el momentum100 xpInicialización de capas y aprendizaje por transferencia50 xpProceso de ajuste100 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 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.
Una inmersión más profunda en la carga de datos50 xpUtilizar la clase TensorDataset100 xpDe la carga de datos a la ejecución de un paso hacia delante100 xpEvaluación del rendimiento de los modelos50 xpEscribir el bucle de evaluación100 xpCálculo de la exactitud mediante TorchMetrics100 xpLucha contra el sobreajuste50 xpExperimentar con el abandono100 xpComprender el sobreajuste50 xpMejorar el rendimiento del modelo50 xpImplementación 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
Ingeniero Asociado de IA para Científicos de Datos
Ir a la pistaAprendizaje profundo en Python
Ir a la pistaDesarrollar grandes modelos lingüísticos
Ir a la pistaEn otras pistas
Fundamentos del aprendizaje automático en PythonCientífico de machine learning en Pythoncolaboradores
Audio grabado por
Maham Khan
Ver MásSenior Data Scientist, YouView TV
Thomas Hossler
Ver MásSenior Machine Learning Engineer
¿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
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.