Machine Learning y Deep Learning con TensorFlow
Acerca de este curso
TensorFlow es la biblioteca más popular construida desde cero para entornos distribuidos, en la nube y móviles. TensorFlow representa los datos como tensores y el cálculo como grafos. Este curso le permite explorar las funciones desde básicas hasta avanzadas de TensorFlow. Obtendrá información sobre TensorFlow Core, Keras, Estimadores de TF, TFLearn, TF Slim, Pretty Tensor y Sonnet. Aproveche el poder de TensorFlow y Keras para construir modelos de aprendizaje profundo, utilizando conceptos como el aprendizaje por transferencia, las redes adversas generativas y el aprendizaje profundo por refuerzo. A lo largo del curso, obtendrá experiencia práctica con conjuntos de datos variados, como MNIST, CIFAR-10, PTB, text8 y COCO-Images.Descripción
> Módulo 1: TensorFlow 101
¿Qué es TensorFlow?
TensorFlow Core
Data flow graph ó Computation graph
TensorBoard
> Módulo 2: Bibliotecas de alto nivel para TensorFlow
Estimador de TF – anteriormente TF Learn
TF Slim
TFLearn
PrettyTensor
Sonnet
> Módulo 3: Keras 101
Instalando keras
Modelos de redes neuronales en Keras
Creando el modelo de Keras
Keras Layers
Añadiendo capas al modelo de Keras
Compilando el modelo de Keras.
Entrenando el modelo Keras.
Prediciendo con el modelo Keras.
Módulos adicionales en Keras.
Ejemplo de modelo secuencial de Keras para el conjunto de datos MNIST
> Módulo 4: Machine Learning clásico con TensorFlow
Regresión lineal simple
Regresión múltiple
Regresión regularizada
Clasificación mediante regresión logística.
Clasificación binaria
Clasificación multiclase
> Módulo 5: Redes neuronales y MLP con TensorFlow y Keras.
El perceptron
Perceptron MultiLayer
MLP para la clasificación de imágenes
MLP para regresión de series de tiempo
> Módulo 6: RNN con TensorFlow y Keras
Red neuronal simple recurrente
Variantes de RNN
Red LSTM
Red GRU
TensorFlow para RNN
Keras para RNN
Áreas de aplicación de las RNNs.
RNN en Keras para datos MNIST
> Módulo 7: RNN para datos de series de tiempo con TensorFlow y Keras
Conjunto de datos de pasajeros de aerolíneas
Preprocesamiento del conjunto de datos para modelos RNN con TensorFlow
RNN simple en TensorFlow
LSTM en TensorFlow
GRU en TensorFlow
Preprocesamiento del conjunto de datos para modelos RNN con Keras
RNN simple con keras
LSTM con Keras
GRU con Keras
> Módulo 8: RNN para datos de texto con TensorFlow y Keras
Representaciones vectoriales de palabras
Preparando los datos para los modelos de word2vec.
Modelo skip-gram con TensorFlow
Visualizar la palabra usando t-SNE
modelo skip-gram con keras
Generación de texto con modelos RNN en TensorFlow y Keras.
> Módulo 9: CNN con TensorFlow y Keras
Entendiendo la convolución
Comprensión de la agrupación
Patrón de arquitectura CNN – LeNet
LeNet para datos MNIST
LeNet para datos CIFAR10
> Módulo 10: Autoencoder con TensorFlow y Keras
Tipos de autoencoder
Autoencoder apilado en TensorFlow
Autoencoder apilado en Keras
Denoising autoencoder en TensorFlow
Denoising autoencoder en keras
Autoencoder variacional en TensorFlow
Autoencoder variacional en keras
¿Qué aprenderé?
- Conocimiento profundo de TensorFlow, lo que lo convierte en la persona a quien acudir para resolver problemas de IA, machine learning y deep learning.
- Las habilidades que necesita para construir sistemas de machine learning y deep learning más inteligentes, rápidos y eficientes.
- Trabajar con datos variados, como MNIST, CIFAR-10, PTB, text8 y COCO-Images.
