Reproducción automática
Autocompletar
Lección anterior
Completar y continuar
(Fase 9.4) Introducción a las Redes Neuronales y Aprendizaje Profundo
Bienvenida
Objetivos
Material de Apoyo
Referencia bibliográfica
Introducción a las redes neuronales y aprendizaje profundo
Introducción al Aprendizaje Profundo
¿Por qué usar el Aprendizaje Profundo? (9:27)
Aplicaciones de las redes neuronales en la actualidad (5:51)
Quiz
Conceptos básicos de las redes neuronales
Estructura básica (4:44)
Funciones de activación (6:13)
Operación matemática. Función Sigmoide (8:12)
Geogebra (9:08)
Operación matemática. Función ReLu (5:54)
Práctica
Entorno de programación
Entradas, Pesos y Sesgos (10:08)
Introducción a Google Colab (4:36)
Google Colab, Parte II (4:40)
Introducción a Numpy (6:42)
Vectorización, Parte I (4:54)
Vectorización, Parte II (4:49)
Vectorización, Parte III (4:15)
Broadcasting (7:17)
Error de Broadcasting (5:06)
Atributo "Shape" (5:23)
Continuación de "Shape" en Python (7:57)
Reshape (5:54)
Continuación de Reshape (6:11)
Práctica
Resolución de práctica (16:26)
Operaciones útiles. Matrices de Unos y Ceros (5:23)
Operaciones útiles. Matrices con números aleatorios (5:40)
Capa Lineal
Red Neuronal de una sola capa
Funciones de Activación con Python
Funciones de Activación con Python (5:31)
Función Math y diferencias con Numpy (5:00)
Gráficas de funciones en Python (7:55)
Gráficas de funciones en Python Parte II y códigos (4:20)
Práctica
Regresión Lineal y Normalización
Regresión Lineal y Normalización (4:00)
Normalización (8:56)
Normalización en Python (5:13)
Cálculo del vector Normalizado (6:45)
Normalización con rangos tomados de los datos (5:07)
Diferencias entre normalización con rangos fijos y rangos dinámicos (6:30)
Práctica
Propagación hacia Adelante (ForwardPropagation)
Propagación hacia adelante, Introducción (5:33)
Propagación hacia adelante de una sola neurona (5:04)
Explicación de operación (6:00)
Propagación hacia adelante con varias neuronas de entrada y una salida (10:20)
Práctica
Función de Pérdida
Función de pérdida (5:39)
Ecuaciones (3:21)
Implementación en Python (6:07)
Análisis de resultados (5:18)
Explicación del valor de la función de pérdida. (9:32)
Estandarización de variables
Práctica
Propagación hacia atrás (BackPropagation)
Backpropagation (7:40)
Regla de la cadena (6:37)
Derivadas (6:37)
Derivadas Parte II (6:54)
Implementación en Python (10:31)
Gradientes (7:00)
Interpretación de resultados (4:23)
Práctica
Gradiente Descendente
Algoritmo de Optimización (5:39)
Optimización en Python (13:44)
Operación paso a paso (7:21)
Entrenamiento
Introducción (4:51)
Iteraciones (6:45)
Minimizando la función de pérdida (4:40)
Visualización de Resultados (4:53)
Evolución de la pérdida (6:27)
Variando la tasa de aprendizaje (9:08)
Parámetros e Hiperparámetros (4:19)
Código Capa lineal
Práctica Final
QUIZ
Ejercicio Final
Ejercicio final de Capa Lineal, Parte I (8:54)
Parte II (9:11)
Función para mostrar imágenes, Parte I (7:18)
Parte II (7:18)
Visualización de imágenes (7:00)
Carga de una sola imagen (5:32)
Imagen a vector (7:53)
Parámetros y Distribución normal Gaussiana (6:44)
ForwardPropagation (5:22)
Semilla fija y Predicción (9:11)
Función de pérdida y BackPropagation (7:06)
Entrenamiento (6:21)
Correcciones y Conclusiones (13:21)
Certificado Profesional
Evaluación Final
Continuación de las Redes Neuronales
Continuación
Operaciones útiles. Matrices con números aleatorios
Contenido de la lección bloqueado
Si ya está inscrito,
necesitará iniciar sesión
.
Inscríbase en el curso para desbloquear