Descripción del curso
En este curso sobre TensorFlow, comenzará aprendiendo cómo se puede usar el aprendizaje automático para resolver problemas del mundo real en diferentes dominios, como las finanzas y la biología. Explorará los modelos de clasificación, el procesamiento de datos Pandas, la visualización Seaborn y la evaluación de modelos y las métricas de desempeño.
Más adelante, explorará los diferentes complementos disponibles para TensorFlow y cómo usarlos eficazmente en sus proyectos de aprendizaje automático. Aprenderá sobre herramientas como TensorFlow Hub, TensorFlow Probability API y TensorFlow Lite. A continuación, aprenderá sobre el aprendizaje por transferencia y cómo usar modelos preentrenados para mejorar el desempeño de sus proyectos de aprendizaje automático.
También explorará las diferentes ventajas del aprendizaje por transferencia y cómo usar herramientas como las matrices de confusión y conjuntos de datos de validación para ajustar su modelo. Al final del curso, tendrá una comprensión básica del aprendizaje por transferencia y las habilidades necesarias para usar modelos preentrenados para mejorar el desempeño de sus proyectos de aprendizaje automático.
Tanto si desea resolver problemas del mundo real como mejorar las capacidades de sus modelos de aprendizaje automático o mejorar su desempeño, este curso le proporcionará las habilidades y los conocimientos necesarios para lograrlo.
Lo que aprenderás
- Entender los tipos de problemas del mundo real que el aprendizaje automático puede resolver en dominios como finanzas y biología
- Aplicar modelos de clasificación a problemas del mundo real usando TensorFlow
- Preprocesar datos con Pandas y prepararlos para su uso en modelos preentrenados
- Usar complementos de TensorFlow incluyendo TensorFlow Hub, API de Probabilidad de TensorFlow y TensorFlow Lite
- Construir, compilar y entrenar un modelo de aprendizaje por transferencia usando modelos preentrenados
- Evaluar y ajustar modelos usando matrices de confusión y conjuntos de datos de validación
Puntos clave
- El aprendizaje automático puede aplicarse a problemas del mundo real en diferentes dominios como finanzas y biología.
- El curso cubre modelos de clasificación, procesamiento de datos con Pandas, visualización con Seaborn y evaluación de modelos y métricas de desempeño.
- El aprendizaje por transferencia usa modelos preentrenados para mejorar el desempeño de proyectos de aprendizaje automático.
- Herramientas como TensorFlow Hub ayudan a encontrar y usar modelos preentrenados, mientras que matrices de confusión y conjuntos de datos de validación ayudan a ajustar un modelo.
- Al final del curso gana una comprensión fundamental de aprendizaje por transferencia y las habilidades para usar modelos preentrenados efectivamente.
Preguntas frecuentes
¿Para quién es este curso?
Es para cualquiera que busque resolver problemas del mundo real, mejorar las capacidades de sus modelos de aprendizaje automático o mejorar su desempeño usando TensorFlow.
¿Qué aprenderé en este curso?
Aprenderá a usar aprendizaje automático para resolver problemas del mundo real, explorar modelos de clasificación, procesamiento de datos con Pandas, visualización con Seaborn y evaluación de modelos, trabajar con complementos de TensorFlow como TensorFlow Hub, API de Probabilidad de TensorFlow y TensorFlow Lite, y aplicar aprendizaje por transferencia con modelos preentrenados.
¿Cuál es el enfoque al final del curso?
Al final, tendrá una comprensión fundamental de aprendizaje por transferencia y las habilidades necesarias para usar modelos preentrenados para mejorar el desempeño de sus proyectos de aprendizaje automático.
¿Qué habilidades cubre este curso?
Cubre Aprendizaje Automático, Entrenamiento de Modelos de Aprendizaje Automático, ML.NET, TensorFlow, Conjuntos de Datos de Entrenamiento y Aprendizaje por Transferencia.
¿Cubre el curso evaluación de modelos y ajuste?
Sí, cubre evaluación de modelos y métricas de desempeño y explica cómo usar herramientas como matrices de confusión y conjuntos de datos de validación para ajustar su modelo.
