El aprendizaje profundo puede ayudar a las computadoras a realizar tareas similares a las humanas, como el reconocimiento de voz y la clasificación de imágenes.
Con el aprendizaje profundo, una forma de aprendizaje automático (inteligencia artificial), las computadoras pueden extraer y transformar datos utilizando múltiples capas de redes neuronales.
Podría pensar que para usar técnicas de Deep Learning, necesitaría saber matemáticas avanzadas o tener acceso a computadoras poderosas.
Bueno, siempre que hayas aprobado matemáticas en la escuela secundaria, conozcas los conceptos básicos de la codificación y tengas una computadora conectada a Internet, puedes aprender a hacer Deep Learning de clase mundial.
Publicamos un curso de Deep Learning de 15 horas en el canal de YouTube freeCodeCamp.org con el objetivo de hacer que Deep Learning sea accesible para la mayor cantidad de personas posible.
El curso es de fast.ai y fue desarrollado por Jeremy Howard y Sylvain Gugger. Sylvain Gugger es un investigador que ha escrito 10 libros de texto de matemáticas. Y Jeremy ha enseñado aprendizaje automático durante los últimos 30 años. Es el ex presidente y científico jefe de Kaggle, la comunidad de aprendizaje automático más grande del mundo.
Además, el curso incluye un libro al que puede acceder en línea de forma gratuita. También puede adquirir una copia física. El libro es uno de los libros de Deep Learning más vendidos en Amazon.
Después de terminar este curso sabrás:
- Cómo entrenar modelos que logren resultados de vanguardia en visión por computadora, procesamiento del lenguaje natural (NLP), datos tabulares y filtrado colaborativo
- Cómo convertir sus modelos en aplicaciones web e implementarlos
- Cómo funcionan los modelos de aprendizaje profundo
- Cómo utilizar ese conocimiento para mejorar la precisión, velocidad y confiabilidad de sus modelos
- Las últimas técnicas de Deep Learning que realmente importan en la práctica
- Cómo implementar el descenso de gradiente estocástico y un ciclo de entrenamiento completo desde cero
- Cómo pensar en las implicaciones éticas de su trabajo y cómo minimizar la probabilidad de que su trabajo sea mal utilizado para causar daño
Estas son algunas de las técnicas cubiertas en este curso:
- Bosques aleatorios y aumento de gradiente
- Funciones afines y no linealidades
- Parámetros y activaciones
- Inicialización aleatoria y aprendizaje por transferencia
- SGD, Momentum, Adam y otros optimizadores
- Convoluciones
- Normalización por lotes
- Abandonar
- Aumento de datos
- Deterioro de peso
- Clasificación y regresión de imágenes
- Incrustaciones de entidades y palabras
- Redes neuronales recurrentes (RNN)
- Segmentación
- Y mucho más
Vea el curso completo en el canal de YouTube freeCodeCamp.org (reproducción de 15 horas).