-
Dominar TensorFlow 2.0 de Google para construir, entrenar, probar y desplegar modelos de Redes Neuronales Artificiales (RNA).
-
Aprende a desarrollar modelos de RNA y a entrenarlas mientras aprovechas la potencia de las GPU y las CPU.
-
Despliega los modelos de RNA en la práctica utilizando el servicio TensorFlow 2.0.
-
Aprende a visualizar los modelos en forma gráfica y a evaluar su rendimiento durante el entrenamiento usando Tensorboard.
-
Comprender la teoría y las matemáticas subyacentes a las redes neuronales artificiales y las redes neuronales convolucionales (RNA).
-
Aprender a entrenar los pesos y sesgos de las redes y seleccionar las funciones de transferencia adecuadas.
-
Entrenar redes neuronales artificiales (RNA) usando métodos de retropropagacion y de descenso en gradiente.
-
Optimizar los hiperparámetros de las RNA, como el número de capas ocultas y neuronas, para mejorar el rendimiento de la red.
-
Aplicar las RNA para realizar tareas de regresión como predicciones de precios de viviendas y predicciones de ventas/ingresos.
-
Evaluar el rendimiento de los modelos de RNA entrenados para realizar tareas de regresión utilizando KPI (indicadores clave de rendimiento) como el error medio absoluto, el error medio cuadrado y el error medio cuadrado de la raíz, R-cuadrado y R-cuadrado ajustado.
-
Evaluar el rendimiento de los modelos de RNA entrenados para tareas de clasificación utilizando KPI como la exactitud, la precisión y el recuerdo.
-
Aplicar Redes Neuronales Convolucionales para clasificar imágenes.
-
Entrenar una RNA simple para convertir la lectura de la temperatura en grados Celsius a Fahrenheit
-
(Ejercicio): Entrenar a Feedforward ANN para predecir los ingresos/ventas
-
Como consultor inmobiliario, predecir los precios de las casas usando RNA (Tarea de Regresión)
-
Como dueño de un negocio, predecir el uso de la bicicleta de alquiler (Tarea de regresión)
-
Desarrollar Redes Neurales Artificiales en el campo médico para realizar tareas de clasificación como la detección de la diabetes (Tarea de clasificación)
-
Desarrollar modelos de IA para realizar análisis de sentimientos y analizar las opiniones de los clientes en línea.
-
Capacitar a los modelos de aprendizaje profundo de LeNet para realizar la clasificación de las señales de tráfico.
-
Entrenar a la CNN para realizar la clasificación de imágenes usando el conjunto de datos de Cifar-10
TOMAR ESTE CURSO
