Tutoriales de Aprendizaje Profundo

Domina el funcionamiento interno de las redes LSTM, la base de los LLM modernos. Explora los mecanismos de compuertas, los gradientes y crea un clasificador de sentimiento con PyTorch.

En este tutorial aprenderás a leer imágenes de resonancia magnética (MRI) en formato NIfTI y a reconstruirlas con un autoencoder convolucional.

¡Visualiza los parámetros de entrenamiento, métricas, hiperparámetros o cualquier estadística de tu red neuronal con TensorBoard!

Aprende a ejecutar el modelo TRIBE V2 de Meta en Google Colab, predecir la actividad cortical a partir de estímulos naturalistas y visualizar los resultados como mapas de calor 3D interactivos.

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.

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