Estas clases han sido creadas para el Bootcamp de Ciencia de Datos de Código Facilito (básico & avanzado).
El resumen de contenidos para las clases es el siguiente:
Sección I
- Brief histórico
- Unidad de Umbralización Lineal (TLU)
- Activación y bias – El perceptrón
Sección II
- Aprendizaje en neuronas
- Entrenamiento de una neurona
- Predicciones con una neurona
Sección III – Tarea
- El dataset a utilizar
- Preparación de los datos
- Creación del modelo
- Entrenamiento del modelo
- Evaluación y predicción
Sección IV
- Introducción a redes neuronales
- Productos matriciales - Composición de funciones
- Idea intuitiva sobre la retropropagación
- El problema de separabilidad lineal - XOR
Sección V
- Introducción a TensorFlow
- Mi primera red neuronal
- Función de pérdida y optimizador
- Entrenamiento y predicciones
Sección VI – Tarea
- El dataset a utilizar
- Preparación de los datos
- Creación del modelo
- Entrenamiento del modelo
- Evaluación y predicción
Sección VII
- Refresher sobre ANNs
- Neuronas artificiales
- Entrenamiento
- ANNs con TensorFlow
Sección VIII
- Introducción a imágenes
- Espacios de color
- Convoluciones & Pooling
Sección IX – Tarea
- Redes convolucionales
- Clasificadores de imágenes (LeNet5, etc.)
- Descripción del reto
Sección X
- Introducción a los autoencoders
- Estructura básica de un autoencoder
- Funcionamiento de un autoencoder
Sección XI
- Limitaciones de los autoencoders básicos
- Introducción a los autoencoders convolucionales
- Estructura de los autoencoders convolucionales
Sección XII – Tarea
- Implementación y entrenamiento de los autoencoders convolucionales
- Aplicaciones de los autoencoders convolucionales en el denoising de imágenes
- Trabajos relacionados y avances recientes
A continuación se presenta la tabla con los enlaces a los materiales por día:
NOTA: Los contenidos de la clase 2 serán añadidos una vez se haya impartido la sesión.
Lee más sobre el Bootcamp Básico AQUÍ y sobre el Bootcamp Avanzado AQUÍ.