PickAClass · IA, Tecnología e Ingeniería · IA y Machine Learning

Deep Learning

Sumérgete en el mundo de las redes neuronales artificiales. Aprende a construir, entrenar y optimizar modelos de deep learning para tareas complejas utilizando frameworks como TensorFlow y PyTorch.

Deep Learning

Remodelación de entradas de CNN: Trabajar con el formato NHWC en TensorFlow

Regularización de redes neuronales recurrentes con Dropout en TensorFlow

Rotación de imágenes para datos de entrenamiento de redes neuronales en Python

Arquitectura SqueezeNet: ampliación de la profundidad de CNN con módulos Fire

Trabajar con metadatos de Tensor en PyTorch

Desmitificando la retropropagación: cómo aprenden las redes neuronales

Construcción y entrenamiento de una red neuronal de tres capas

Construyendo la función de consulta de red neuronal en Python

Entrenamiento de redes neuronales robustas a través de la optimización pesimista

Pruebas y ajuste de redes neuronales para una alta precisión

Validación de modelos y prevención de sobreajuste en Keras

Introducción a las Redes Neurales Artificiales y Aplicaciones Prácticas

Fundamentos de Redes Neurales Profundas y Aprendizaje por Representación

Construcción de modelos de regresión lineal con PyTorch y Autograd

Optimización de la precisión del aprendizaje profundo a través de la capacidad del modelo

Fundamentos de la retropropagación para el entrenamiento de redes neuronales

Mecánica de retropropagación: Cálculo de pendientes de error de redes neuronales

Diseño de bucles de entrenamiento PyTorch eficientes

Configuración de PyTorch para Jupyter Notebooks y TensorBoard

Ejecución de modelos de TensorFlow para clasificación y regresión de industrias

PyTorch Model Saving and Loading: Mejores prácticas para la serialización

Fundamentos de PyTorch y regresión lineal

Backpropagation Basics: Cómo aprenden las redes neuronales

Guardar y cargar tensores en PyTorch