Deep Learning de A a Zredes neuronales en Python desde cero

Aprende a crear algoritmos de aprendizaje profundo en Python con expertos en aprendizaje automático y ciencia de datos
Deep Learning de A a Zredes neuronales en Python desde cero
File Size :
17.85 GB
Total length :
31h 48m

Category

Instructor

Ligency I Team

Language

Last update

Last updated 12/2022

Ratings

4.6/5

Deep Learning de A a Zredes neuronales en Python desde cero

What you’ll learn

Comprenderás la intuición detrás de las redes neuronales artificiales
Aplicaras las redes neuronales artificiales desde la práctica
Comprenderás la intuición detrás de las redes neuronales convolucionales
Aplicaras las redes neuronales convolucionales desde la práctica
Comprenderás la intuición detrás de las redes neuronales recurrentes
Aplicaras las redes neuronales recurrentes desde la práctica
Comprenderás la intuición que hay detrás de los mapas auto-organizativos
Aplicaras Mapas Auto-Organizados desde la práctica
Comprenderás la intuición que hay detrás de las Máquinas de Boltzmann
Aplicaras las Máquinas de Boltzmann desde la práctica
Entenderás la intuición detrás de los AutoEncoders
Aplicaras AutoEncoders desde la práctica

Deep Learning de A a Zredes neuronales en Python desde cero

Requirements

Nivel de matemáticas de secundaria
Conocimientos básicos de programación en Python
Es muy recomendable haber tomado el curso de Python de la A a la Z y el de Machine Learning de la A a la Z
Es recomendable haber cursado los cursos de Probabilidad, Álgebra Lineal y Estadística para sacarle más provecho al curso

Description

La inteligencia artificial está creciendo exponencialmente, sin lugar a dudas. Los vehículos que se conducen por sí mismos están recorriendo millones de kilómetros, IBM Watson está diagnosticando a pacientes mejor que ejércitos de médicos y el AlphaGo de Google Deepmind venció al campeón mundial de Go – un juego en el que la intuición juega un papel clave.Pero cuanto más avanza la IA, más complejos se vuelven los problemas que deben ser solucionados. Y solamente el Deep Learning puede solucionar problemas tan complejos y por eso está en el corazón de la Inteligencia Artificial.¿Por qué Deep Learning de la A a la Z?Aquí hay cinco razones por las que pensamos que el Curso de Deep Learning A de la a la Z es totalmente diferente, y se destaca de la gran cantidad de programas de capacitación que existen:1. ESTRUCTURA SÓLIDALo primero y más importante en lo que nos centramos es en dotar al curso de una estructura sólida. El Deep Learning es tema muy extenso y complejo y para navegar por este laberinto se necesita una visión clara y global del mismo.Por eso agrupamos las clases del curso en dos volúmenes, que representan las dos ramas fundamentales del Deep Learning: Deep Learning supervisado y Deep Learning no supervisado. Con cada volumen centrado en tres algoritmos distintos, hemos comprobado que esta es la mejor estructura para dominar el Deep Learning.2. CLASES DE INTUICIÓNHay tantos cursos y libros que te bombardean con la teoría, las matemáticas y la codificación, pero se olvidan de explicar, quizás, la parte más importante: por qué estás haciendo lo que estás haciendo. Y es por eso que este curso es tan diferente. Nos enfocamos en desarrollar una idea intuitiva para los conceptos detrás de los algoritmos del Deep Learning.Con nuestras clases de intuición estarás seguro de que entiendes todas las técnicas a un nivel instintivo. Y una vez que procedas con los ejercicios prácticos de codificación podrás ver por ti mismo lo significativa que será tu experiencia. Esto es un punto de inflexión.3. PROYECTOS INTERESANTES¿Estás cansado de los cursos basados en conjuntos de datos sobreutilizados y obsoletos?¿Sí? Bueno, entonces te llevarás una sorpresa.Dentro de esta clase trabajaremos en conjuntos de datos del mundo real, para resolver problemas de negocios del día a día (Definitivamente no los aburridos conjuntos de datos de clasificación de iris o dígitos que vemos en todos los cursos). Aquí, trabajaremos en seis desafíos del mundo real:Redes Neurales Artificiales para resolver un problema de pérdida de clientes (Customer Churn)Redes neuronales convolucionales para el reconocimiento de imágenesRedes neuronales recurrentes para predecir los precios de las accionesMapas auto-organizados para investigar el fraudeMáquinas de Boltzmann para crear un Sistema de RecomendacionesLos AutoEncoders apilados* para enfrentarnos al reto por el premio del millón de dólares de Netflix*Los AutoEncoders apilados son una nueva técnica del Deep Learning que hace un par de años aun no existía. Hasta ahora no hemos visto este método explicado en ningún otro lugar con suficiente profundidad.4. EJERCICIOS PRÁCTICOS DE CODIFICACIÓNEn el curso de Deep Learning de la A a la Z programamos contigo. Cada clase práctica comienza con un script en blanco y escribimos el código desde cero. De esta manera puedes seguir y entender exactamente cómo el código se junta y lo que cada línea significa.Además, a propósito estructuraremos el código de tal manera que puedas descargarlo y aplicarlo en tus propios proyectos desde dos fuentes diferentes: Github para usarlo en tu propio ordenador y Google Drive, para que puedas ejecutarlo gracias a Google Collaborate. Asimismo, explicaremos paso a paso dónde y cómo modificar el código para insertar TU conjunto de datos, para ajustar el algoritmo a tus necesidades, y así obtener la salida que buscas.Este es un curso que de forma natural podrás aplicar en tu día a día en tu propio trabajo.5. ASISTENCIA EN EL CURSO.¿Alguna vez has tomado un curso o leído un libro en el que tienes preguntas pero no puedes contactar con el autor?Bueno, este curso es diferente. Estamos totalmente comprometidos en hacer de este, el curso de Deep Learning más disruptivo y poderoso del planeta. Con eso viene la responsabilidad de estar constantemente disponible cuando necesites nuestra ayuda.De hecho, ya que físicamente también necesitamos comer y dormir, hemos reunido un equipo profesional de científicos de datos para ayudarnos. Cada vez que hagas una pregunta, recibirás una respuesta de nuestra parte en un plazo no mayor a 48 horas.No importa lo compleja que sea tu consulta, estaremos allí. Nuestro objetivo final es que tengas éxito.Las herramientasTensorFlow y PyTorch son las dos librerías de código abierto más populares para el Deep Learning y en este curso aprenderás las dos.TensorFlow fue desarrollado por Google y se utiliza en su sistema de reconocimiento de voz, en el nuevo producto de Google Photos, gmail, google search y mucho más. Las empresas que utilizan TensorFlow incluyen AirBnb, Airbus, Ebay, Intel, Uber y mcuhas más.PyTorch es igual de potente y está siendo desarrollado por investigadores de Nvidia y universidades líderes: Stanford, Oxford, ParisTech. Las empresas que utilizan PyTorch incluyen Twitter, Saleforce y Facebook.Entonces, ¿qué es mejor y para qué?Pues, en este curso tendrás la oportunidad de trabajar con los dos y podrás averiguar cuándo es mejor TensorFlow y cuándo PyTorch es el mejor camino a seguir. A lo largo de nuestras clases comparamos los dos y te damos consejos e ideas sobre qué podría funcionar mejor en determinadas circunstancias.Lo interesante es que ambas librerías tienen apenas unos pocos años de antigüedad. A eso nos referimos cuando decimos que en este curso te enseñamos los modelos y técnicas más vanguardistas del Deep Learning.Más herramientasTheano es otra librería de código abierto de Deep Learning. Es muy parecida a TensorFlow en su funcionalidad, pero aun así la cubriremos.Keras es una increíble biblioteca para implementar modelos de Deep Learning. Actúa como un envoltorio para Theano y TensorFlow. Con Keras podemos crear potentes y complejos modelos de Deep Learning con sólo unas pocas líneas de código. Esto es lo que te permitirá tener una visión general de lo que estás creando. Todo lo que hagas se verá tan claro y estructurado gracias a esta librería, que realmente obtendrás la intuición y comprensión de lo que estás haciendo.Incluso más herramientasScikit-learn, la biblioteca más práctica de Machine Learning. La usaremos principalmente:Para evaluar el rendimiento de nuestros modelos con la técnica más relevante, el k-fold cross validationPara mejorar nuestros modelos con un efectivo parametro personalizadoPara pre-procesar nuestros datos, para que nuestros modelos puedan aprender en las mejores condicionesY por supuesto, tenemos que mencionar a las librerías usuales de nuestros cursos de machine learning y deep learning. Todo este curso está basado en Python y en cada una de sus secciones obtendrás horas y horas de invaluable experiencia práctica de codificación.Adicionalmente, a lo largo del curso utilizaremos numpy para hacer altos cálculos y manipular matrices de altas dimensiones, matplotlib para hacer gráficos detallados y pandas para importar y manipular conjuntos de datos de la forma más eficiente.¿A quién va dirigido este curso?Como puedes ver, hay muchas herramientas diferentes en el espacio del Deep Learning y en este curso nos aseguramos de mostrarte las más importantes y progresivas para que cuando termines con el curso de Deep Learning de la A a la Z tus habilidades estén a la vanguardia de la tecnología actual.Si apenas estás comenzando en el Deep Learning, entonces encontrarás este curso de gran utilidad. El curso de Deep Learning de la A a la Z está estructurado en torno a enfoques especiales de codificación de planos, lo que significa que no estarás atascado en programaciones innecesarias o complejidades matemáticas y en cambio estarás aplicando las técnicas del Deep Learning desde el principio del curso. Construirás tus conocimientos desde el inicio y verás como con cada clase te sentirás cada vez más seguro.Si ya tienes experiencia con el Deep Learning, encontrarás este curso refrescante, inspirador y muy práctico. Dentro del curso de Deep Learning de la A a la Z dominarás algunos de los algoritmos y técnicas del Deep Learning más vanguardistas (algunos de los cuales ni siquiera existían hace un año) y a través de este curso obtendrás una enorme cantidad de valiosa experiencia práctica con los retos empresariales del mundo real. Además, en él encontrarás inspiración para explorar nuevas habilidades y aplicaciones del Deep Learning.Estudio de casos del mundo realDominar el Deep Learning no sólo consiste en conocer la intuición y las herramientas, sino también en ser capaz de aplicar estos modelos a escenarios del mundo real y obtener resultados reales y medibles para el negocio o proyecto. Es por ello que en este curso presentamos seis emocionantes retos:#1 Problema de modelización de la pérdida de clientes (Customer Churn)En esta parte resolverás un desafío de análisis de datos para un banco. Te entregaremos un conjunto de datos con una gran muestra de los clientes del banco. Para crear este conjunto de datos, el banco recolectó información como la identificación del cliente, el puntaje de crédito, el género, la edad, la antigüedad, el balance, si el cliente está activo, tiene una tarjeta de crédito, etc. Durante un período de 6 meses, el banco observó si estos clientes abandonaban o permanecían en el banco.El objetivo es hacer una Red Neural Artificial que pueda predecir, basándose en la información geo-demográfica y transaccional dada anteriormente, si algún cliente individual dejará el banco o se quedará (pérdida de clientes/Customer Churn)Además, debes clasificar a todos los clientes del banco, basándose en su probabilidad de salida. Para ello, deberás utilizar el modelo correcto de Deep Learning, que se basa en un enfoque probabilístico.Si tienes éxito en este proyecto, crearás un valor agregado significativo para el banco. Aplicando el modelo de Deep Learning, el banco puede reducir significativamente la tasa de pérdida de clientes (Customer Churn).#2 Reconocimiento de imágenesEn esta parte, crearás una Red Neuronal Convolucional que es capaz de detectar varios objetos en imágenes. Implementaremos este modelo del Deep Learning para reconocer un gato o un perro en un conjunto de imágenes. Sin embargo, este modelo también puede ser utilizado para detectar cualquier otra cosa y te mostraremos cómo hacerlo – simplemente cambiando las imágenes en la carpeta de entrada.Por ejemplo, podrás entrenar el mismo modelo en un conjunto de imágenes del cerebro, para detectar si tienen un tumor o no. Pero si quieres mantenerlo adaptado a los gatos y perros, entonces podrás literalmente tomar una foto de tu gato o tu perro, y el modelo podrá predecir qué mascota tienes. Incluso lo hemos probado en el perro de Hadelin!#3 Predicción del precio de las accionesEn esta parte, crearás uno de los modelos más poderosos del Deep Learning. Incluso llegaremos a decir que crearás el modelo de Deep Learning más cercano a la “Inteligencia Artificial”. ¿Por qué? Porque este modelo, como nosotros, tendrá memoria a largo plazo.La rama del Deep Learning que facilita esto es la de las Redes Neuronales Recurrentes. Las RNN clásicas tienen poca memoria, y no eran ni populares ni poderosas por esta razón exacta. Pero una reciente e importante mejora en las Redes Neuronales Recurrentes dio lugar a la popularidad de las LSTM (Long Short Term Memory RNNs) que ha cambiado completamente el campo de juego. Estamos muy emocionados de incluir estos métodos de vanguardia del Deep Learning en nuestro curso.En esta sección aprenderás a implementar este modelo extremadamente poderoso, y nosotros aceptaremos el reto de usarlo para predecir el precio real de las acciones de Google. Un desafío similar ya fue asumido por los investigadores de la Universidad de Stanford y nosotros trataremos de hacerlo al menos tan bien como ellos.#4 Detección de FraudeSegún un reciente informe publicado por Markets & Markets, el mercado de la detección y prevención de fraudes tendrá un valor de 33.19 billones de dólares para el año 2021. Se trata de una industria enorme y la demanda de habilidades avanzadas de Deep Learning seguirá creciendo. Por eso hemos incluido este caso de estudio en el curso.Esta es la primera parte del Volumen 2 – Modelos de Deep Learning no supervisados. El reto empresarial aquí es la detección del fraude en las aplicaciones de tarjetas de crédito. Vas a crear un modelo de Deep Learning para un banco y te proporcionaremos un conjunto de datos que contiene información sobre los clientes que solicitan una tarjeta de crédito avanzada.Estos son los datos que los clientes proporcionaron al llenar el formulario de solicitud. Tu tarea es detectar el fraude potencial dentro de estas aplicaciones. Esto significa que al final del desafío, literalmente obtendrás una lista explícita de los clientes que potencialmente hicieron trampa en sus solicitudes.#5 y 6 Sistemas de recomendaciónDesde las sugerencias de productos de Amazon hasta las recomendaciones de películas de Netflix – los buenos sistemas de recomendación son muy valiosos en el mundo de hoy. Y los especialistas que pueden crearlos son algunos de los científicos de datos mejor pagados del planeta.Trabajaremos en un conjunto de datos que tenga exactamente las mismas características que el conjunto de datos de Netflix: un montón de películas y miles de usuarios, que han valorado las películas que han visto. Las calificaciones van del 1 al 5, exactamente como en el conjunto de datos de Netflix, lo que hace que el Sistema de Recomendaciones sea más complejo de construir que en el caso de las calificaciones fueran que son sencillamente “Me Gusta” o “No me gusta”.Tu sistema de recomendación final será capaz de predecir las clasificaciones de las películas que los clientes no vieron. Por consiguiente, al clasificar las predicciones de 5 a 1, tu modelo de Deep Learning podrá recomendar qué películas debería ver cada usuario. Crear un sistema de recomendación tan poderoso es un gran reto, así que nos daremos dos oportunidades. Eso significa que lo construiremos con dos modelos diferentes de Deep Learning.Nuestro primer modelo será Deep Belief Networks, máquinas complejas de Boltzmann que se abordarán en la Parte 5. Luego, nuestro segundo modelo será con los poderosos AutoEncoders, que personalmente, son mis favoritos. Podrás apreciar el contraste entre su simplicidad, y lo que son capaces de hacer.E incluso podrás aplicarlo a ti mismo o a tus amigos. La lista de películas será explícita, así que sólo tendrás que calificar las películas que ya has visto, introducir tus calificaciones en el conjunto de datos, ejecutar tu modelo y ¡voilà! El sistema de recomendación te dirá con exactitud qué películas te encantarán si no tienes idea de qué ver en Netflix!ResumenEn conclusión, este es un programa de formación muy emocionante, lleno de tutoriales de intuición, ejercicios prácticos y casos de estudio del mundo real.Estamos súper entusiasmados con el Deep Learning y esperamos verte pronto en clases.Juan Gabriel, Kirill y Hadelin

Overview

Section 1: Bienvenido al curso de Deep Learning de la A a la Z!

Lecture 1 ¿Qué es el Deep Learning?

Lecture 2 Segunda parte de la serie de la A a la Z

Lecture 3 Rutas de aprendizaje para el ML y la IA

Lecture 4 Acerca de las valoraciones en Udemy

Lecture 5 Cómo instalar Python

Lecture 6 Obtener los ficheros del curso

Lecture 7 NOTA ADICIONAL: Actualización de los materiales para Google Colab

Lecture 8 Conoce a los instructores del curso de Deep Learning

Lecture 9 Algunos recursos adicionales

Lecture 10 Cómo usar Udemy y sacarle todo el partido al curso

Lecture 11 FAQBot

Lecture 12 Cambios de la versión Python 3.7

Lecture 13 Algunos cambios en las nuevas versiones de Spyder

Section 2: ——————– Parte 1: RNA ——————–

Lecture 14 Bienvenido a la Parte 1

Section 3: Idea de las RNA

Lecture 15 Plan de ataque

Lecture 16 La Neurona

Lecture 17 La función de activación

Lecture 18 ¿Cómo funcionan las redes neuronales?

Lecture 19 ¿Cómo aprenden las redes neuronales?

Lecture 20 El gradiente descendiente

Lecture 21 Gradiente Descendiente Estocástico

Lecture 22 Backpropagatation

Section 4: Construir una RNA

Lecture 23 Prerequisitos

Lecture 24 Cómo obtener los datos de la sección

Lecture 25 Descripción del problema a estudiar

Lecture 26 Cómo instalar Keras en tu PC

Lecture 27 Construir una RNA – Paso 1

Lecture 28 Construir una RNA – Paso 2

Lecture 29 Cambios en las nuevas versiones de Python a la hora de pre procesar los datos

Lecture 30 Construir una RNA – Paso 3

Lecture 31 Construir una RNA – Paso 4

Lecture 32 Construir una RNA – Paso 5

Lecture 33 Construir una RNA – Paso 6

Lecture 34 Construir una RNA – Paso 7

Lecture 35 Construir una RNA – Paso 8

Lecture 36 Construir una RNA – Paso 9

Lecture 37 Construir una RNA – Paso 10

Section 5: Reto final – ¿Deberíamos despedirnos de ese cliente?

Lecture 38 Solución de la tarea en Google Collaboratory

Section 6: Evaluar, Mejorar y Ajustar la RNA

Lecture 39 Evaluar la RNA

Lecture 40 Mejorar la RNA

Lecture 41 Cambio de parámetros en Tensorflow

Lecture 42 Ajustar la RNA

Section 7: Reto final – Predecir la posición final del podio

Section 8: ——————– Parte 2: RNC ——————–

Lecture 43 Bienvenido a la Parte 2 – Redes Neuronales de Convolución

Section 9: Idea de las RNC

Lecture 44 Qué necesitarás para las RNC

Lecture 45 Plan de Ataque

Lecture 46 ¿Qué son las redes neuronales de convolución?

Lecture 47 Paso 1 – Operación de Convolución

Lecture 48 Paso 1(b) – Capa ReLU

Lecture 49 Paso 2 – Pooling

Lecture 50 Los papers de la clase anterior

Lecture 51 Paso 3 – Flattening

Lecture 52 Paso 4 – Full Connection

Lecture 53 Resumen

Lecture 54 Softmax & Cross-Entropy

Section 10: Construir una RNC

Lecture 55 Cómo obtener los datos de la sección

Lecture 56 Cómo instalar Keras

Lecture 57 Introducción a las RNC

Lecture 58 Construir una RNC – Paso 1

Lecture 59 Construir una RNC – Paso 2

Lecture 60 Construir una RNC – Paso 3

Lecture 61 Construir una RNC – Paso 4

Lecture 62 Construir una RNC – Paso 5

Lecture 63 Construir una RNC – Paso 6

Lecture 64 Construir una RNC – Paso 7

Lecture 65 Construir una RNC – Paso 8

Lecture 66 Solución para el WARNING de la clase siguiente

Lecture 67 Construir una RNC – Paso 9

Lecture 68 Construir una RNC – Paso 10

Section 11: Reto final – ¿Qué animal es ese?

Section 12: Evaluar, Mejorar y Ajustar la RNC

Section 13: ——————– Parte 3: RNR ——————–

Lecture 69 Bienvenido a la Parte 3 – Redes Neurales Recurrentes

Section 14: Idea de las RNR

Lecture 70 Qué vas a necesitar para las RNR

Lecture 71 Plan de Ataque

Lecture 72 La idea detrás de las Redes Neuronales Recurrentes

Lecture 73 El problema del Vanishing Gradient

Lecture 74 LSTMs

Lecture 75 Idea práctica

Lecture 76 EXTRA: Variantes del LSTM

Section 15: Construir una RNR

Lecture 77 Cómo obtener los datos de la sección

Lecture 78 Cómo instalar Keras

Lecture 79 Construir una RNR – Paso 1

Lecture 80 Construir una RNR – Paso 2

Lecture 81 Construir una RNR – Paso 3

Lecture 82 Construir una RNR – Paso 4

Lecture 83 Construir una RNR – Paso 5

Lecture 84 Construir una RNR – Paso 6

Lecture 85 Construir una RNR – Paso 7

Lecture 86 Construir una RNR – Paso 8

Lecture 87 Construir una RNR – Paso 9

Lecture 88 Construir una RNR – Paso 10

Lecture 89 Construir una RNR – Paso 11

Lecture 90 Construir una RNR – Paso 12

Lecture 91 Construir una RNR – Paso 13

Lecture 92 Construir una RNR – Paso 14

Lecture 93 Construir una RNR – Paso 15

Section 16: Evaluar, Mejorar y Ajustar la RNR

Lecture 94 Evaluar la RNR

Lecture 95 Mejorar la RNR

Lecture 96 Ajustar la RNR

Section 17: ——————– Parte 4: SOM ——————–

Lecture 97 Bienvenido a la Parte 4 – Self Organizing Maps

Section 18: Idea de los SOM

Lecture 98 Plan de Ataque

Lecture 99 ¿Cómo funcionan los Mapa autoorganizados?

Lecture 100 ¿Para qué necesitamos revisitar K-Means?

Lecture 101 Recordatorio del clustering con K-Means

Lecture 102 ¿Cómo aprenden los Mapas autoorganizados? (Parte 1)

Lecture 103 ¿Cómo aprenden los Mapas autoorganizados? (Parte 2)

Lecture 104 Ejemplo en vivo de SOM

Lecture 105 Acerca de SOM más avanzados

Lecture 106 EXTRA: Clustering con K-means (Parte 2)

Lecture 107 EXTRA: Clustering con K-means (Parte 3)

Section 19: Construir un SOM

Lecture 108 Cómo obtener los datos de la sección

Lecture 109 Construir un SOM – Paso 1

Lecture 110 Construir un SOM – Paso 2

Lecture 111 Construir un SOM – Paso 3

Lecture 112 Construir un SOM – Paso 4

Section 20: Mega Caso de Estudio

Lecture 113 Mega Caso de Estudio – Paso 1

Lecture 114 Mega Caso de Estudio – Paso 2

Lecture 115 Mega Caso de Estudio – Paso 3

Lecture 116 Mega Caso de Estudio – Paso 4

Section 21: ——————– Parte 5: BM ——————–

Lecture 117 Bienvenido a la Parte 5 – Boltzmann Machines

Section 22: Idea de las Máquinas de Boltzmann

Lecture 118 Plan de Ataque

Lecture 119 Las máquinas de Boltzmann

Lecture 120 Modelos basados en Energía (EBM)

Lecture 121 Editando la Wikipedia – Nuestra contribución al mundo

Lecture 122 Máquinas de Boltzmann Restringidas

Lecture 123 Divergencia Contrastante

Lecture 124 Redes de Creencia Profunda

Lecture 125 Máquinas de Boltzmann Profundas

Section 23: Construir una Máquina de Boltzmann

Lecture 126 Cómo obtener los datos de la sección

Lecture 127 Cómo instalar PyTorch

Lecture 128 Construir una Boltzmann Machine – Introducción

Lecture 129 Mismo Preprocesado de los Datos en las Partes 5 y 6

Lecture 130 Construir una Máquina de Boltzmann – Paso 1

Lecture 131 Construir una Máquina de Boltzmann – Paso 2

Lecture 132 Construir una Máquina de Boltzmann – Paso 3

Lecture 133 Construir una Máquina de Boltzmann – Paso 4

Lecture 134 Construir una Máquina de Boltzmann – Paso 5

Lecture 135 Construir una Máquina de Boltzmann – Paso 6

Lecture 136 Construir una Máquina de Boltzmann – Paso 7

Lecture 137 Construir una Máquina de Boltzmann – Paso 8

Lecture 138 Construir una Máquina de Boltzmann – Paso 9

Lecture 139 Construir una Máquina de Boltzmann – Paso 10

Lecture 140 Construir una Máquina de Boltzmann – Paso 11

Lecture 141 Construir una Máquina de Boltzmann – Paso 12

Lecture 142 Construir una Máquina de Boltzmann – Paso 13

Lecture 143 Construir una Máquina de Boltzmann – Paso 14

Lecture 144 Evaluar una Máquina de Boltzmann

Section 24: ——————– Parte 6: AE ——————–

Lecture 145 Bienvenido a la Parte 6 – AutoEncoders

Section 25: Idea de los AutoEncoders

Lecture 146 Plan de Ataque

Lecture 147 Auto Encoders

Lecture 148 Una nota acerca de los Biases

Lecture 149 Entrenar un Auto Encoder

Lecture 150 Sobrecompletar Capas Ocultas

Lecture 151 Sparse Autoencoders

Lecture 152 Denoising Autoencoders

Lecture 153 Contractive Autoencoders

Lecture 154 Stacked Autoencoders

Lecture 155 Deep Autoencoders

Section 26: Construir un AutoEncoder

Lecture 156 Cómo obtener los datos de la sección

Lecture 157 Cómo instalar PyTorch

Lecture 158 Mismo Preprocesado de los Datos en las Partes 5 y 6

Lecture 159 Construir un AutoEncoder – Paso 1

Lecture 160 Construir un AutoEncoder – Paso 2

Lecture 161 Construir un AutoEncoder – Paso 3

Lecture 162 Construir un AutoEncoder – Paso 4

Lecture 163 Construir un AutoEncoder – Paso 5

Lecture 164 Construir un AutoEncoder – Paso 6

Lecture 165 Construir un AutoEncoder – Paso 7

Lecture 166 Construir un AutoEncoder – Paso 8

Lecture 167 Construir un AutoEncoder – Paso 9

Lecture 168 Construir un AutoEncoder – Paso 10

Lecture 169 Construir un AutoEncoder – Paso 11

Section 27: Conceptos básicos de aprendizaje automático

Lecture 170 Anexo – Conceptos básicos de Machine Learning

Section 28: Idea de la Regresión y la Clasificación

Lecture 171 Qué necesitas saber de la Regresión y la Clasificación

Lecture 172 Idea de la Regresión Lineal Simple – Paso 1

Lecture 173 Idea de la Regresión Lineal Simple – Paso 2

Lecture 174 Idea de la Regresión Lineal Múltiple

Lecture 175 Idea de la Regresión Logística

Section 29: Plantilla de Preprocesado de Datos

Lecture 176 Preprocesado de Datos – Paso 1

Lecture 177 Preprocesado de Datos – Paso 2

Lecture 178 Preprocesado de Datos – Paso 3

Lecture 179 Preprocesado de Datos – Paso 4

Lecture 180 Preprocesado de Datos – Paso 5

Lecture 181 Preprocesado de Datos – Paso 6

Lecture 182 Plantilla de Preprocesado de Datos

Section 30: Plantilla de Clasificación

Lecture 183 Implementación de la Regresión Logística – Paso 1

Lecture 184 Implementación de la Regresión Logística – Paso 2

Lecture 185 Implementación de la Regresión Logística – Paso 3

Lecture 186 Implementación de la Regresión Logística – Paso 4

Lecture 187 Implementación de la Regresión Logística – Paso 5

Lecture 188 Plantilla de Clasificación

Section 31: BONUS: Enhorabuena por completar el curso

Lecture 189 Enhorabuena por completar el curso de Deep Learning de A a Z

Lecture 190 ***TU BONUS ESPECIAL***

Cualquier persona interesada en el Deep Learning.,Los estudiantes que tienen al menos conocimientos básicos de la escuela secundaria en matemáticas y que quieren empezar a aprender sobre el Deep Learning.,Cualquier persona de nivel intermedio que conozca los fundamentos del Machine Learning o Deep Learning, incluyendo los algoritmos clásicos como la regresión lineal o la regresión logística y temas más avanzados como las Redes Neuronales Artificiales, pero que quiera aprender más sobre ello y explorar todos los diferentes campos del Deep Learning.,Cualquiera que no se sienta cómodo con la codificación pero que esté interesado en el Deep Learning y quiera aplicarlo fácilmente en los conjuntos de datos.,Cualquier estudiante de la universidad que quiera empezar una carrera en Ciencias de la Información/ Data Science.,Cualquier analista de datos que quiera subir de nivel en el Deep Learning.,Cualquier persona que no esté satisfecha con su trabajo y que quiera convertirse en Científico de Datos.,Cualquier persona que quiera crear un valor añadido a su negocio mediante el uso de poderosas herramientas del Deep Learning.,Cualquier propietario de una empresa que desee comprender cómo utilizar la tecnología exponencial del Deep Learning en su negocio.,Cualquier empresario que quiera crear una interrupción en una industria utilizando los algoritmos más vanguardistas del Deep Learning.

Course Information:

Udemy | Spanish | 31h 48m | 17.85 GB
Created by: Ligency I Team

You Can See More Courses in the Business >> Greetings from CourseDown.com

New Courses

Scroll to Top