Ir al contenido principal

Curso

Introducción al aprendizaje profundo con PyTorch

IntermedioNivel de habilidad

Actualizado 1/2026

Aprende a crear tu primera red neuronal, ajustar hiperparámetros y abordar problemas de clasificación y regresión en PyTorch.

Comienza El Curso Gratis

PyTorchArtificial Intelligence4 h16 vídeos49 Ejercicios3,900 XP82,829Certificado de logros

Crea Tu Cuenta Gratuita

o

Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.

Preferido por estudiantes en miles de empresas

¿Formar a 2 o más personas?

Probar DataCamp for Business

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

1

Introduction to PyTorch, a Deep Learning Library

Self-driving cars, smartphones, search engines... Deep learning is now everywhere. Before you begin building complex models, you will become familiar with PyTorch, a deep learning framework. You will learn how to manipulate tensors, create PyTorch data structures, and build your first neural network in PyTorch with linear layers.

Introduction to deep learning with PyTorch

Getting started with PyTorch tensors

Checking and adding tensors

Neural networks and layers

Linear layer network

Understanding weights

Hidden layers and parameters

Your first neural network

Stacking linear layers

Counting the number of parameters

Iniciar Capítulo

2

Neural Network Architecture and Hyperparameters

To train a neural network in PyTorch, you will first need to understand additional components, such as activation and loss functions. You will then realize that training a network requires minimizing that loss function, which is done by calculating gradients. You will learn how to use these gradients to update your model's parameters.

Discovering activation functions

Activate your understanding!

The sigmoid and softmax functions

Running a forward pass

Building a binary classifier in PyTorch

From regression to multi-class classification

Using loss functions to assess model predictions

Creating one-hot encoded labels

Calculating cross entropy loss

Using derivatives to update model parameters

Accessing the model parameters

Updating the weights manually

Using the PyTorch optimizer

Iniciar Capítulo

3

Training a Neural Network with PyTorch

Now that you've learned the key components of a neural network, you'll train one using a training loop. You'll explore potential issues like vanishing gradients and learn strategies to address them, such as alternative activation functions and tuning learning rate and momentum.

A deeper dive into loading data

Using TensorDataset

Using DataLoader

Writing our first training loop

Using the MSELoss

Writing a training loop

ReLU activation functions

Implementing ReLU

Implementing leaky ReLU

Understanding activation functions

Learning rate and momentum

Experimenting with learning rate

Experimenting with momentum

Iniciar Capítulo

4

Evaluating and Improving Models

Training a deep learning model is an art, and to make sure our model is trained correctly, we need to keep track of certain metrics during training, such as the loss or the accuracy. We will learn how to calculate such metrics and how to reduce overfitting.

Layer initialization and transfer learning

Fine-tuning process

Freeze layers of a model

Layer initialization

Evaluating model performance

Writing the evaluation loop

Calculating accuracy using torchmetrics

Fighting overfitting

Experimenting with dropout

Understanding overfitting

Improving model performance

Implementing random search

Wrap-up video

Iniciar Capítulo

Introducción al aprendizaje profundo con PyTorch

Curso
completo

Obtener certificado de logros

Añade esta certificación a tu perfil de LinkedIn o a tu currículum.
Compártelo en redes sociales y en tu evaluación de desempeño.Inscríbete Ahora

¡Únete a 19 millones de estudiantes y empieza Introducción al aprendizaje profundo con PyTorch hoy mismo!

Crea Tu Cuenta Gratuita

o

Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.

Desarrolla tus habilidades de datos con la aplicación móvil de DataCamp

Progresa desde cualquier dispositivo móvil con nuestros cursos y desafíos de programación diarios de 5 minutos.