Odisea de Deep Learning

First, we will discuss what a neural network is and how it works. And also consider the scope of its application.

Next, we will try to build our own neural network and see how efficiently it copes with learning. We will also consider a ready-made solution from the scikit-learn library.

Finally, we will give you some additional useful information on how to understand which model to use and what types of neural networks there are. To complete the course, you will be tested on your acquired knowledge.

You will gain a foundational understanding of TensorFlow's primary components - Tensors. You'll delve into the nature and applications of tensors, familiarize yourself with tensor properties, and acquire knowledge in essential mathematical operations.

You'll learn how TensorFlow operates and the ways to improve its performance. By the end of this module, you'll be well-equipped to implement basic neural networks or other tensor calculations, using only the TensorFlow library without any extras.

Explora los fundamentos de PyTorch, centrándote en los tensores, la estructura de datos principal utilizada para los cálculos. Aprenderás sobre la creación de tensores, inicialización aleatoria, operaciones matemáticas y manipulación de formas.

Explora conceptos clave para el entrenamiento de modelos en PyTorch, incluyendo el cálculo de gradientes y la realización de retropropagación en múltiples pasos. Domina la regresión lineal como modelo fundamental de aprendizaje automático e introduce el manejo eficiente de conjuntos de datos.

Descubra cómo construir, entrenar y evaluar redes neuronales utilizando PyTorch. Aprenderá a definir una red neuronal feedforward simple, optimizar sus parámetros mediante el entrenamiento y evaluar su rendimiento.

La visión por computadora permite a las máquinas interpretar y analizar datos visuales, imitando la percepción humana. Esta sección abarca los conceptos básicos de la representación de imágenes, modelos de color y fundamentos matemáticos esenciales para comprender cómo los ordenadores procesan imágenes. Se explorarán aplicaciones en el mundo real, desde vehículos autónomos hasta imágenes médicas, y se analizará cómo la visión por computadora se integra con la IA y el aprendizaje automático.

OpenCV es una biblioteca potente para la manipulación de imágenes y tareas de visión por computadora. Esta sección abarca técnicas esenciales como el filtrado de imágenes, transformaciones, detección de bordes y segmentación. Aprenderá a realizar desenfoque, umbralización, detección de contornos y extracción de características para mejorar y analizar imágenes de manera eficiente.

Las CNN procesan datos visuales utilizando capas de convolución, agrupamiento y activación para extraer características en tareas como clasificación de imágenes y detección de objetos. Los componentes clave incluyen el padding, la convolución para la extracción de características, el agrupamiento para la reducción de complejidad y la activación para la no linealidad. Arquitecturas populares como AlexNet, VGG y ResNet impulsan la IA en salud, autonomía y seguridad.

La detección de objetos es una tarea fundamental en la visión por computadora que consiste en identificar y localizar objetos dentro de una imagen. A diferencia de la clasificación de imágenes, que asigna una sola etiqueta a toda la imagen, la detección de objetos no solo clasifica los objetos, sino que también determina sus posiciones utilizando cajas delimitadoras. Esta sección abarca técnicas y algoritmos clave utilizados en la detección de objetos, desde métodos tradicionales hasta enfoques basados en aprendizaje profundo como YOLO y U-Net.

La visión por computadora ha avanzado significativamente a lo largo de los años, pasando de métodos básicos de procesamiento de imágenes a técnicas complejas de aprendizaje profundo. Esta sección aborda las innovaciones más recientes en visión por computadora, con énfasis en el aprendizaje por transferencia, el reconocimiento facial y la generación de imágenes. Se explorarán los beneficios de los modelos preentrenados en el rendimiento, los principios de la tecnología de reconocimiento facial y la manera en que la IA crea imágenes mediante aprendizaje profundo.

Aborda las limitaciones de las redes neuronales tradicionales para datos secuenciales e introduce los fundamentos de las Redes Neuronales Recurrentes. Explica la arquitectura de las RNN, sus tipos y la implementación paso a paso mediante ejemplos básicos y un desafío de codificación.

Explora desafíos comunes de entrenamiento como los gradientes desvanecientes y explosivos. Presenta variantes avanzadas de RNN, incluyendo LSTM y GRU, destacando sus mecanismos internos y casos de uso, con ejemplos prácticos de implementación para cada una.

Se centra en el procesamiento y la predicción de datos de series temporales utilizando modelos basados en RNN. Incluye carga de datos, técnicas de preprocesamiento, entrenamiento de modelos y evaluación del rendimiento, con énfasis en la comparación de las arquitecturas LSTM y GRU.

Demuestra la aplicación de RNNs en tareas de clasificación de texto. Cubre conceptos fundamentales de PLN, métodos de codificación de texto, pasos de preparación de datos y construcción de un modelo basado en LSTM para la predicción de sentimientos.