Descripción:
Este curso comienza con la introducción a algoritmos de aprendizaje supervisado, como la regresión lineal simple, el perceptrón multicapa clásico y las redes convolucionales profundas más sofisticadas. También explorará el procesamiento de imágenes con el reconocimiento de imágenes escritas a mano, la clasificación de imágenes en diferentes categorías y el reconocimiento avanzado de objetos con anotaciones de imágenes relacionadas. También se proporciona un ejemplo de identificación de puntos destacados para la detección de rostros. A continuación, se le presentará las Redes recurrentes, que están optimizadas para procesar datos de secuencia como texto, audio o series temporales. También, aprenderá sobre algoritmos de aprendizaje no supervisados, como los Autoencoders y las muy populares Generative Adversarial Networks (GAN). También explorará los usos no tradicionales de redes neuronales como Style Transfer. Finalmente, verás Refuerzo de Aprendizaje y su aplicación a AI, otra dirección popular de investigación y aplicación de redes neuronales..
Objetivo:
Entre otras cosas, al término el Curso de Redes neuronales con Keras, el alumno habrá aprendido a: Optimizar las funciones paso a paso en una gran red neuronal utilizando el algoritmo Backpropagation. Afinar una red neuronal para mejorar la calidad de los resultado. Usar aprendizaje profundo para procesamiento de imagen y audio. Usar redes de tensores neuronales recursivas (RNTN) para superar la incrustación de palabras estándar en casos especiales. Identificar problemas para los cuales las soluciones de red neuronal recurrente (RNN) son adecuadas. Explorar el proceso requerido para implementar Autoencoders. Desarrollar una red neuronal profunda usando el aprendizaje de refuerzo.
Temario:
Parte 1: CONFIGURACIÓN DEL ENTORNO KERAS
Instalación de Python | Instalación de Theano | Instalación de TensorFlow | Instalación de Keras | Keras sobre Docker | Keras sobre Amazon AWS | Keras sobre Microsoft Azure | Evaluación de la Arquitectura
Parte 2: FUNDAMENTOS DE REDES NEURONALES
Perceptron | Multilayer perceptron | Funciones de activación | Sigmoid | ReLU | Otras | Ejemplo real | Backpropagation
Parte 3: CONVNETS
Deep Convolutional Neural Networks | Ejemplo LeNet | Código LeNet en Keras | Reconocimiento de Imágenes CIFAR-10 | Very deep convolutional networks para reconocimiento de imágenes de gran escala
Parte 4: GENERATIVE ADVERSIAL NETWORKS Y WAVENET
Modelo GAN | Deep Convolutional GAN | Adversarial GANs para MNIST | Adversarial GANs para CIFAR | WaveNet
Parte 5: WORD EMBEDDINGS
word2vec | Glove | Embeddings entrenados previamente
Parte 6: RECURRENT NEURAL NETWORKS
Células Simple RNN | Topologías | Gradientes desvanecidos y explosivos | Long Short Term Memory | Gated recurrent Unit | RNN Bi-direccional | RNN Stateful | Otras variantes de RNN
Parte 7: OTROS MODELOS
Redes de Regresión | Aprendizaje no supervisado | Deep Networks | Personalización de Keras | Modelos Generativos
buy viagra and cialis online In un annuncio video , la Cool Mini or Not ha rivelato il suo prossimo progetto su Kickstarter si tratta di un gioco a firma di Marco Maggi e Francesco Nepitello intitolato Dune – War for Arrakis
Some people in clinical trials of PDE-5 inhibitors noted new heart issues priligy buy Cialis leads to a long-term potency increase
cialis online generic Repeat the process if necessary
Viagra is one of the most counterfeit drugs generic cialis tadalafil Also, do not switch medications or change the dose of your treatment without first consulting your doctor
We just couldn t explain my m c type bleeding at 12 weeks and additional sac in my uterus when I delivered. when to test for pregnancy after clomid Data presented as mean standard deviation.
does nolvadex lower estrogen Vaginal culture.
what to eat with doxycycline to avoid stomach upset No of women studies.