Tutoriales de Aprendizaje Profundo

Aprende qué es el procesamiento del lenguaje natural (PLN) y descubre su aplicación en el mundo real, utilizando Google BERT para procesar conjuntos de datos de texto.

Aprende a construir e implementar Redes Neuronales Convolucionales (CNN) en Python con PyTorch.

Un recorrido por los Autocodificadores, sus variaciones y sus posibles aplicaciones en el mundo real.

Explora la entropía cruzada en el aprendizaje automático en nuestra guía sobre la optimización de la precisión y la eficacia del modelo en la clasificación con ejemplos de TensorFlow y PyTorch.

Conoce las Redes de Kolmogorov-Arnold (KAN), un nuevo tipo de red neuronal con mayor interpretabilidad y precisión que los modelos tradicionales.

Descubre cómo el optimizador AdamW mejora el rendimiento del modelo desacoplando el decaimiento del peso de las actualizaciones del gradiente. Este tutorial explica las principales diferencias entre Adam y AdamW, sus casos de uso y proporciona una guía paso a paso para implementar AdamW en PyTorch.

Aprende la técnica de optimización Adagrad, incluyendo sus principales ventajas, limitaciones, implementación en PyTorch y casos de uso para optimizar modelos de aprendizaje automático.

Explora las diferencias clave entre PyTorch, TensorFlow y Keras, tres de los marcos de aprendizaje profundo más populares. Comprende sus características únicas, pros, contras y casos de uso para elegir la herramienta adecuada para tu proyecto.

Aprende a construir e implementar Redes Neuronales Convolucionales (CNN) en Python con Tensorflow Framework 2

En este tutorial, obtendrás una visión general de la Inteligencia Artificial (IA) y verás más de cerca en qué se diferencian el Aprendizaje Automático (AM) y el Aprendizaje Profundo.

En este tutorial, aprenderás a implementar Redes Neuronales Convolucionales (CNN) en Python con Keras, y a superar el sobreajuste con el abandono.

Aprende a construir una red neuronal y a entrenarla, evaluarla y optimizarla con TensorFlow