Descripción del curso
El aprendizaje profundo es un campo que evoluciona rápidamente, y tener una comprensión fundamental de los diferentes métodos y técnicas utilizados en el aprendizaje profundo puede ser valioso para los profesionales de este espacio. En estas lecciones aprenderá los diferentes métodos de aprendizaje profundo utilizados en el campo, incluidas las redes neuronales convolucionales (CNN) y los perceptrones multicapa (MLP). También descubrirá los diferentes nombres que se utilizan para las ponderaciones en el aprendizaje profundo y explorará las diversas funciones de pérdida que se pueden utilizar en una red neuronal, como el error cuadrático medio (MSE), la entropía cruzada categórica dispersa y la entropía cruzada binaria.
Luego, explorará los diferentes tipos de capas que se utilizan en las redes neuronales convolucionales (CNN), como la capa convolucional, la capa de agrupación y la capa de aplanamiento. También aprenderá sobre las diferentes capas de un perceptrón multicapa (MLP), que es otro tipo de red neuronal habitualmente utilizada en el aprendizaje profundo.
A continuación, profundizará sobre los autocodificadores, que son un tipo de red neuronal utilizada para el aprendizaje no supervisado. Aprenderá las diferentes capas de un Autocodificador, incluida la capa de codificación y la capa de decodificación. También explorará las ventajas de tener una capa más pequeña en un codificador automático y cómo puede mejorar la eficiencia del modelo.
En general, descubrirá uno de los conjuntos de datos populares disponibles en los conjuntos de datos de TensorFlow y aprenderá sobre las aplicaciones de los codificadores automáticos en el aprendizaje de funciones en imágenes. También descubrirá si la capa del codificador automático debería ser más grande y comprenderá el razonamiento que hay detrás.
Lo que aprenderás
- Reconocer los diferentes métodos de aprendizaje profundo utilizados en el campo, incluyendo Redes Neuronales Convolucionales (CNN) y Perceptrones Multicapa (MLP)
- Describir los diferentes nombres utilizados para pesos en aprendizaje profundo
- Explicar las diversas funciones de pérdida utilizadas en redes neuronales, como Error Cuadrático Medio (MSE), Entropía Cruzada Categórica Dispersa y Entropía Cruzada Binaria
- Identificar los diferentes tipos de capas utilizadas en CNN, incluyendo las capas Convolucional, Agrupamiento y Aplanamiento
- Explorar Codificadores Automáticos para aprendizaje no supervisado, incluyendo las capas de Codificación y Decodificación
- Descubrir un conjunto de datos popular de TensorFlow y las aplicaciones de Codificadores Automáticos en el aprendizaje de características en imágenes
Puntos clave
- El aprendizaje profundo utiliza varios métodos, incluyendo Redes Neuronales Convolucionales (CNN) y Perceptrones Multicapa (MLP).
- Las redes neuronales pueden utilizar diferentes funciones de pérdida, como Error Cuadrático Medio (MSE), Entropía Cruzada Categórica Dispersa y Entropía Cruzada Binaria.
- Las Redes Neuronales Convolucionales se construyen a partir de tipos de capas que incluyen la capa Convolucional, capa de Agrupamiento y capa de Aplanamiento.
- Los Codificadores Automáticos son un tipo de red neuronal utilizada para aprendizaje no supervisado, compuesta por una capa de Codificación y una capa de Decodificación.
- Una capa más pequeña en un Codificador Automático puede mejorar la eficiencia del modelo y ayuda a aprender características en imágenes.
Preguntas frecuentes
¿Para quién es este curso?
Está dirigido a profesionales en el campo del aprendizaje profundo que desean una comprensión fundamental de los diferentes métodos y técnicas utilizados en el campo.
¿Qué métodos de aprendizaje profundo cubre el curso?
Cubre métodos de aprendizaje profundo incluyendo Redes Neuronales Convolucionales (CNN), Perceptrones Multicapa (MLP) y Codificadores Automáticos.
¿Qué aprenderé sobre las funciones de pérdida?
Explorará las diversas funciones de pérdida utilizadas en una red neuronal, como Error Cuadrático Medio (MSE), Entropía Cruzada Categórica Dispersa y Entropía Cruzada Binaria.
¿Qué son los Codificadores Automáticos cubiertos en este curso?
Los Codificadores Automáticos son un tipo de red neuronal utilizada para aprendizaje no supervisado; el curso cubre sus capas de Codificación y Decodificación, los beneficios de tener una capa más pequeña y sus aplicaciones en el aprendizaje de características en imágenes.
¿Qué habilidades desarrolla este curso?
Desarrolla habilidades en TensorFlow, Aprendizaje Profundo, Métodos de Aprendizaje Profundo, Codificadores Automáticos, Aprendizaje de Características y Conjuntos de Datos de Entrenamiento.
