Reproducción automática
Autocompletar
Lección anterior
Completar y continuar
(Fase 17.2) Inteligencia Artificial (Optimizada) y DeepLearning con Pytorch y TensorFlow
Introducción
Objetivos
Introducción y recapitulación (4:26)
Referencia bibliográfica
Principales Problemas del DeepLearning
Problema por sobreajuste u "Overfitting" (7:11)
Vanishing Gradient & Exploding Gradient (6:28)
Estancamiento y Oscilaciones (3:01)
Cuestionario
Inicializaciones
Optimización de Pesos
Inicialización Xavier (Glorot) (5:44)
Concepto matemático
Implementación de Xavier (5:36)
Código reestructurado (11:21)
Comparación de pérdidas (10:49)
Inicialización Kaiming / He (4:33)
Implementación Función de Activación ReLU (10:11)
Implementación y pruebas con Inicialización He (8:28)
Práctica: Inicialización Xavier y He
Optimizadores
Introducción
Algoritmo Momentum (9:44)
Matrices de Velocidades (6:29)
Cálculo y actualización de Velocidades (8:08)
Resultados de la Optimización Momentum (3:02)
Resultados de Momentum + ReLU (7:50)
Algoritmo RMSprop (9:32)
Implementación RMSprop (12:59)
Comparación (4:42)
RMSprop + ReLU (7:10)
Algoritmo ADAM (9:00)
ADAM: Implementación del primer y segundo Momento (9:58)
ADAM: Corrección del sesgo y Actualización de Parámetros (7:32)
Resultados (7:26)
Método "Train/Test" (2:16)
Implementación y evaluación (12:22)
Práctica
Regularización y Generalización
Introducción
Regularización L1 (5:27)
Regularización L2 (3:56)
Dropout (4:55)
Early Stopping (6:08)
Batch Normalization (4:04)
Parámetros Gamma y beta
Técnica moderna: "data augmentation" (3:21)
Quiz
Implementación L2 en código (8:25)
Implementación Early Stopping: Creación de conjuntos (6:32)
Early Stopping: Variables y pérdida (8:11)
Early Stopping: Condicionales (10:13)
Early Stopping: Interpretación de resultados (5:44)
Hyperparameter Tuning (7:47)
Código implementado
Práctica
Implementación con Pytorch
Introducción a Pytorch
Conceptos básicos (4:55)
Tensores (5:59)
Tensores: Ejemplos (6:01)
Tensores: Operaciones (7:24)
Entradas, Pesos y sesgos en Pytorch (3:22)
Autograd (5:27)
Función Optimizer (3:21)
Ejemplo general (6:53)
nn.Module (3:10)
Transición de Red Neuronal. Bloque 1 Importación y Dataset (5:29)
Bloque 2. Conversión de datos a Tensores (6:45)
Bloque 3.1 Creación de nn.Module (8:07)
Bloque 3.2 Definición de Activaciones (7:05)
Bloque 4. Función BCEWithLogitsLoss (3:48)
Bloque 5. Optimizador y Regularización (4:23)
Bloque 6. Entrenamiento (6:05)
Bloque 7. Backprop y Validación (7:01)
Bloque 8. Early Stopping y restauración de parámetros (7:14)
Bloque 9. Función para precisión (11:34)
Bloque 10. Frontera de decisión (10:09)
Bloque 11. Evaluación (5:22)
Bloque 12. Visualización de Resultados (9:51)
Función copy.deepCopy (2:09)
Código Final
Keras y Tensorflow
Introducción
TensorFlow y Keras (2:59)
Conceptos básicos. Importación y Modelo (2:32)
Función "Compile" (2:35)
Función "Fit" y "Evaluate" (3:46)
Transición de Red Neuronal (5:54)
Creación de modelo en Keras. (6:15)
Compilación (4:29)
Uso de callbacks (regularización) (4:42)
Entrenamiento con Model.fit() (5:05)
Pérdidas y función Evaluate() (7:08)
Frontera de decisión con función Predict() (8:19)
Resultados (6:21)
Batch Size (9:53)
Conclusiones (1:45)
Código Final
Actividad Final
Evaluación
Técnica moderna: "data augmentation"
Contenido de la lección bloqueado
Si ya está inscrito,
necesitará iniciar sesión
.
Inscríbase en el curso para desbloquear