IBM DL0120EN Deep Learning with Tensorflow
Cognitive Class - AI
https://cognitiveclass.ai/courses/course-v1:BigDataUniversity+ML0120EN+v2
Las redes neuronales tradicionales se basan en redes poco profundas, compuestas por una entrada, una capa oculta y una capa de salida. Las redes de aprendizaje profundo se distinguen de estas redes neuronales ordinarias que tienen más capas ocultas, o las llamadas más profundas. Este tipo de redes son capaces de descubrir estructuras ocultas dentro de datos no etiquetados y no estructurados (es decir, imágenes, sonido y texto), que constituyen la gran mayoría de los datos en el mundo.
TensorFlow es una de las mejores bibliotecas para implementar el aprendizaje profundo. TensorFlow es una biblioteca de software para el cálculo numérico de expresiones matemáticas, utilizando gráficos de flujo de datos. Los nodos del gráfico representan operaciones matemáticas, mientras que los bordes representan las matrices de datos multidimensionales (tensores) que fluyen entre ellos. Fue creado por Google y adaptado para Machine Learning. De hecho, está siendo muy utilizado para desarrollar soluciones con Deep Learning.
En este curso de TensorFlow podrás aprender los conceptos básicos de TensorFlow, las principales funciones, operaciones y el pipeline de ejecución. Comenzando con un ejemplo simple de "Hello Word", a lo largo del curso podrá ver cómo se puede usar TensorFlow en funciones de ajuste de curvas, regresión, clasificación y minimización de errores. Luego, este concepto se explora en el mundo del aprendizaje profundo. Aprenderá a aplicar TensorFlow para retropropagación para ajustar los pesos y sesgos mientras se entrenan las redes neuronales. Finalmente, el curso cubre diferentes tipos de arquitecturas profundas, como redes convolucionales, redes recurrentes y codificadores automáticos.
COURSE SYLLABUS
Module 1 – Introduction to TensorFlow
- HelloWorld with TensorFlow
- Linear Regression
- Nonlinear Regression
- Logistic Regression
- Activation Functions
Module 2 – Convolutional Neural Networks (CNN)
- CNN History
- Understanding CNNs
- CNN Application
Module 3 – Recurrent Neural Networks (RNN)
- Intro to RNN Model
- Long Short-Term memory (LSTM)
- Recursive Neural Tensor Network Theory
- Recurrent Neural Network Model
Module 4 - Unsupervised Learning
- Applications of Unsupervised Learning
- Restricted Boltzmann Machine
- Collaborative Filtering with RBM
Module 5 - Autoencoders
- Introduction to Autoencoders and Applications
- Autoencoders
- Deep Belief Network
Module 6 - Scaling
- Learning Objective
- Lab: Scaling of Model Training
Comentarios
Publicar un comentario