Aprendizaje Profundo (Deep Learning) con Python

video_library 4 Clases


Python es un lenguaje de programación de alto nivel de uso general que se usa ampliamente en la ciencia de datos y para producir algoritmos de aprendizaje profundo.

Este breve tutorial presenta Python y sus bibliotecas como Numpy, Scipy, Pandas, Matplotlib; Frameworks como Theano, TensorFlow, Keras. El tutorial explica cómo se pueden aplicar las diferentes bibliotecas y marcos para resolver problemas complejos del mundo real.

Audiencia

Este tutorial ha sido preparado para profesionales que aspiran a aprender los conceptos básicos de Python y desarrollar aplicaciones que involucren técnicas de aprendizaje profundo como redes neuronales convolucionales, redes recurrentes, propagación hacia atrás, etc.

Prerrequisitos

Antes de continuar con este tutorial, asumimos que tiene una exposición previa a Python, Numpy, Pandas, Scipy, Matplotib, Windows, cualquier distribución de Linux, conocimientos básicos previos de álgebra lineal, cálculo, estadísticas y técnicas básicas de aprendizaje automático.

El aprendizaje profundo estructurado o el aprendizaje jerárquico o el aprendizaje profundo en breve es parte de la familia de métodos de aprendizaje automático que son en sí mismos un subconjunto del campo más amplio de la Inteligencia Artificial.

El aprendizaje profundo es una clase de algoritmos de aprendizaje automático que utilizan varias capas de unidades de procesamiento no lineal para la extracción y transformación de características. Cada capa sucesiva utiliza la salida de la capa anterior como entrada.

Las redes neuronales profundas, las redes de creencias profundas y las redes neuronales recurrentes se han aplicado a campos como la análisis de imagenes, el reconocimiento de voz, el procesamiento del lenguaje natural, el reconocimiento de audio, el filtrado de redes sociales, la traducción automática y la bioinformática, en los que produjeron resultados comparables y, en algunos casos, mejor que los expertos humanos.


Requerimientos para Aprendizaje Profundo en Python

Lectura: 00:48 19

En este capítulo, aprenderemos sobre el entorno configurado para Python Deep Learning. Tenemos que instalar el siguiente software para hacer algoritmos de aprendizaje profundo. Python 2.7+ Scipy con Numpy Matplotlib Theano Keras TensorFlow Se recomienda encarecidamente que Python, NumPy, SciPy y Matplotlib se instalen a través de la distribución Anaconda. Viene con todos esos paquetes. Necesitamos asegurarnos de que los diferentes tipos de software estén instalados correctamente. Vayamos a nuestro programa de línea de comandos y escribamos el siguiente comando […]

Aprendizaje profundo y el aprendizaje de máquina tradicional

Lectura: 03:23 12

Uno de los principales desafíos encontrados en los modelos tradicionales de aprendizaje automático es un proceso llamado extracción de características. El programador debe ser específico y decirle a la computadora las características que debe tener en cuenta. Estas características ayudarán a tomar decisiones. El ingreso de datos sin procesar en el algoritmo rara vez funciona, por lo que la extracción de características es una parte crítica del flujo de trabajo de aprendizaje automático tradicional. Esto coloca una gran responsabilidad en […]

Redes neuronales profundas – Tipos y Características

Lectura: 12:39 21

Una red neuronal profunda (DNN) es una red neuronal artificial (ANN) con varias capas ocultas entre las capas de entrada y salida. Al igual que en las ANN poco profundas, los DNN pueden modelar relaciones no lineales complejas. El propósito principal de una red neuronal es recibir un conjunto de entradas, realizar cálculos progresivamente complejos en ellas y dar salida para resolver problemas del mundo real como la clasificación. Nos limitamos a alimentar las redes neuronales. Tenemos una entrada, una […]

Pasos para entrenar una red neuronal profunda

Lectura: 10:16 39

En esta implementación de Deep Learning, nuestro objetivo es predecir el desgaste de los clientes o la rotación de un determinado banco, y es probable que los clientes abandonen este servicio bancario. El conjunto de datos utilizado es relativamente pequeño y contiene 10000 filas con 14 columnas. Puedes descargarlo aquí. Estamos utilizando la distribución de Anaconda y marcos como Theano, TensorFlow y Keras. Keras está construido sobre Tensorflow y Theano que funcionan como backends. # Artificial Neural Network # Installing […]