|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/deep-learning-desde-cero-en-python/
课程评论：没有评论
Coursera深度学习与人工智能 from scratch (Python) 课程概览 本课程旨在从零开始，使用 Python 3 及 Sklearn、Tensorflow 2.0、Keras 等流行库，深入讲解深度学习及人工神经网络（ANN）的基础知识。 instructor Santiago Hernández 将以循序渐进的方式，阐述必要的理论和数学原理，并结合实践，手写推导算法和公式。 课程特色： * **理论与实践结合：** 课程将通过超过30个实际应用案例，展示如何运用机器学习、深度学习和数据科学技术解决现实问题。 * **数学直观化：** 通过图文并茂的方式，可视化 ANN 和深度学习背后的数学直觉，降低学习门槛。 * **动手实践：** 提供所有源代码，鼓励学员亲手实现，并在实践中加深理解。 * **技术栈：** 主要使用 Python 3，并重点介绍 Keras 和 Tensorflow 2.0。 * **面向所有人群：** 无论是否具备数学背景，只要有学习热情，均可入门并成为人工智能领域的专业人士。 课程内容涵盖： * 深度学习与机器学习基础 * 人工神经网络基础：Mc Culloch-Pitts 神经元、感知器 * 多层感知器（MLP） * 损失函数与优化算法：梯度下降 * ANN 训练：前向传播与反向传播 * 回归与分类：Softmax 回归 * Keras 入门 * 激活函数、优化算法（SGD, Adam 等） * 超参数选择 * Tensorflow 2.0 实现 * 深度学习项目考量：过拟合、欠拟合、数据划分、正则化、Dropout、归一化等 本课程旨在打破人工智能和深度学习的复杂性认知，赋能任何人成为该领域的专业人才。
¡Bienvenido a este curso sobre los fundamentos del Deep Learning y más concretamente de las Redes Neuronales Artificiales Profundas utilizando Python 3 y las librerías más populares como Sklearn, Tensorflow 2.0 o Keras!Mi nombre es Santiago Hernández y voy a ser vuestro instructor a lo largo de este programa formativo, tenéis más información sobre mí en la biografía o en el vídeo "Presentación del instructor".A lo largo de este curso sobre Inteligencia Artificial y Deep Learning presentaré, desde un nivel muy básico y al alcance de todo tipo de perfiles, los fundamentos teóricos y matemáticos que se necesitan para comprender en detalle el funcionamiento de los algoritmos de Deep Learning y las librerías (Tensorflow, Keras...) más importantes en la actualidad.Para ello, utilizaré el enfoque que mejores resultados me ha proporcionado al impartir este tipo de clases en diferentes universidades, un enfoque práctico, en el que veréis como se desarrollan las diferentes funciones y ecuaciones matemáticas de mi puño y letra.Representaré gráficamente todas las intuiciones matemáticas en las que se fundamenta la Inteligencia Artificial y más concretamente el Deep Learning, de manera que, cualquier persona pueda comprenderlas y avanzar con las siguientes secciones. Este no es un curso para matemáticos, es un curso para todos aquellos que quieren adentrarse en el dominio del aprendizaje profundo construyendo unas bases sólidas que le permitan solucionar problemas reales mediante la implementación de las principales técnicas existentes en Python 3 con Tensorflow 2.0 y Keras y comprender aquellos algoritmos que surjan en el futuro.A medida que vayamos construyendo y comprendiendo estos fundamentos teóricos, iremos aplicándolos a mas de 30 casos de uso prácticos. Yo soy un firme creyente de que aquellas cosas que se aprenden de manera teórica deben saberse aplicar a casos de uso prácticos para sacarles todo el rendimiento posible, y esto es exactamente lo que haremos a lo largo del curso.En estos casos prácticos, trataremos de resolver diferentes problemas que existen en la actualidad mediante la aplicación de Machine Learning, Deep Learning y Data Science utilizando las últimas librerías disponibles, como, por ejemplo, Sklearn, Keras o Tensorflow mediante el lenguaje de programación Python 3. Por supuesto, desde el primer momento dispondréis de todo el código fuente y de la posibilidad de utilizarlo para vuestros propios desarrollos.La inteligencia Artificial y el Deep Learning, han sido percibidas en muchas ocasiones como disciplinas complejas al alcance de unos pocos profesionales. Este curso ha sido creado para refutar esta creencia y demostrar que cualquier persona con suficiente interés puede convertirse en un profesional de la Inteligencia Artificial y las redes neuronales artificiales profundas, inscríbete ahora y compruébalo tú mismo.Temario del cursoBienvenida al curso de Deep Learning y Redes Neuronales Artificiales ProfundasMotivaciónEntorno de aprendizaje: Jupyter Notebook, Anaconda, Python 3, Google Colaboratory¿Qué es el Deep Learning?: End-to-end Learning, Machine LearningIntroducción a las Redes Neuronales Artificiales: Neurona de Mcculloch y PittsEl PerceptrónRedes Neuronales Artificiales Profundas: Perceptrón MulticapaFunción de error y función de optimización: Binary Crossentropy, Gradient DescentEntrenamiento de Redes Neuronales Artificiales Profundas: Forward Propagation, Backward PropagationRedes Neuronales Artificiales Profundas: Implementación VectorizadaRegresión y Clasificación con Redes Neuronales Artificiales Profundas: Softmax RegressionIntroducción a Keras con Python 3Funciones de activación: sigmod, tanh, relu, leaky relu...Funciones de optimización: Mini-Batch Gradient Descent, Stochastic Gradient Descent, Momentum Gradient Descent, RMSprop, AdamSelección de hiperparámetros: Keras tunerTensorflow 2.0: Implementando Redes Neuronales Artificiales profundasConsideraciones de un proyecto de Deep Learning: Overfitting, Underfitting, Train Set, Validation Set, Test Set, Regularización, Dropout, Normalización...Despedida del curso de Deep Learning
