Comience con el aprendizaje profundo a través de este curso. Este es uno de los cursos más vendidos en Deep Learning en Internet. Veamos qué aprenderás a través de este curso.
¿Que aprenderás?
- Entender la intuición detrás de las redes neuronales artificiales.
- Aplicar redes neuronales artificiales en la práctica.
- Comprender la intuición detrás de las redes neuronales convolucionales.
- Aplicar redes neuronales convolucionales en la práctica.
- Comprender la intuición detrás de las redes neuronales recurrentes
- Aplicar redes neuronales recurrentes en la práctica.
- Comprender la intuición detrás de los mapas autoorganizados.
- Aplicar los mapas autoorganizados en la práctica.
- Entender la intuición detrás de las máquinas de Boltzmann.
- Aplicar las máquinas de Boltzmann en la práctica.
- Entender la intuición detrás de AutoEncoders
- Aplicar AutoEncoders en la práctica.
Course Link- Deep Learning AZ ™: redes neuronales artificiales con manos | Aprende a crear algoritmos de aprendizaje profundo en Python
Aprenda a crear Algoritmos de aprendizaje profundo en Python con dos expertos en Aprendizaje automático y Ciencia de datos. Plantillas incluidas.
Descripción del curso por el instructor del curso
La inteligencia artificial está creciendo exponencialmente. No hay duda sobre eso. Los autos que conducen a sí mismos están recorriendo millones de millas, IBM Watson está diagnosticando a los pacientes mejor que los ejércitos de médicos y el AlphaGo de Google Deepmind venció al campeón mundial en Go, un juego donde la intuición juega un papel clave.
Pero cuanto más avanza la inteligencia artificial, más complejos se vuelven los problemas que necesita resolver. Y solo el Aprendizaje Profundo puede resolver problemas tan complejos y es por eso que está en el corazón de la Inteligencia Artificial.
– ¿Por qué Deep Learning AZ? –
Aquí hay cinco razones por las que creemos que Deep Learning AZ ™ es realmente diferente, y se destaca de la multitud de otros programas de capacitación que existen:
1. ESTRUCTURA ROBUSTA
Lo primero y más importante en lo que nos enfocamos es darle al curso una estructura robusta. El aprendizaje profundo es muy amplio y complejo y para navegar por este laberinto se necesita una visión clara y global de él.
Es por eso que agrupamos los tutoriales en dos volúmenes, que representan las dos ramas fundamentales de Aprendizaje Profundo: Aprendizaje Profundo Supervisado y Aprendizaje Profundo No Supervisado. Con cada volumen centrado en tres algoritmos distintos, encontramos que esta es la mejor estructura para dominar el aprendizaje profundo.
2. TUTORIALES DE INTUICIÓN
Tantos cursos y libros simplemente lo bombardean con la teoría, las matemáticas y la codificación … Pero se olvidan de explicar, quizás, la parte más importante: por qué está haciendo lo que está haciendo. Y así es como este curso es tan diferente. Nos enfocamos en desarrollar una sensación intuitiva para los conceptos detrás de los algoritmos de Aprendizaje Profundo.
Con nuestros tutoriales de intuición, estará seguro de que comprende todas las técnicas a un nivel instintivo. Y una vez que continúe con los ejercicios prácticos de codificación, verá por sí mismo qué tan significativa será su experiencia. Esto es un cambio de juego.
3. Proyectos interesantes
¿Está cansado de los cursos basados en conjuntos de datos obsoletos y sobreutilizados?
¿Sí? Bueno, entonces estás en un capricho.
Dentro de esta clase, trabajaremos en conjuntos de datos del mundo real para resolver problemas de negocios del mundo real. (Definitivamente no son los aburridos conjuntos de datos de clasificación de iris o dígitos que vemos en cada curso). En este curso resolveremos seis desafíos del mundo real:
- Redes neuronales artificiales para resolver un problema de cliente churn
- Redes neuronales convolucionales para el reconocimiento de imágenes
- Redes neuronales recurrentes para predecir los precios de las acciones
- Mapas autoorganizados para investigar el fraude
- Máquinas Boltzmann para crear un sistema de recomendación.
- Autoencoders apilados * para asumir el desafío del premio Netflix de $ 1 millón
* Los Autoencoders apilados son una nueva técnica en Deep Learning que no existía hace un par de años. No hemos visto este método explicado en ningún otro lugar con suficiente profundidad.
4. CODIFICACIÓN MANUAL
En Deep Learning AZ ™ codificamos junto con usted. Cada tutorial práctico comienza con una página en blanco y escribimos el código desde cero. De esta manera puede seguir y entender exactamente cómo se une el código y qué significa cada línea.
Además, estructuraremos el código a propósito para que pueda descargarlo y aplicarlo en sus propios proyectos. Además, explicamos paso a paso dónde y cómo modificar el código para insertar SU conjunto de datos, para adaptar el algoritmo a sus necesidades, para obtener el resultado que está buscando.
Este es un curso que naturalmente se extiende en su carrera.
5. APOYO EN EL CURSO
¿Alguna vez ha tomado un curso o ha leído un libro en el que tiene preguntas pero no puede comunicarse con el autor?
Bueno, este curso es diferente. Estamos totalmente comprometidos a hacer de este el curso de Aprendizaje Profundo más disruptivo y poderoso del planeta. Con eso viene la responsabilidad de estar siempre allí cuando necesite nuestra ayuda.
De hecho, ya que físicamente también necesitamos comer y dormir, hemos reunido a un equipo de científicos de datos profesionales para que nos ayuden. Cada vez que haga una pregunta, recibirá una respuesta nuestra en un plazo máximo de 48 horas.
No importa cuán compleja sea su consulta, estaremos allí. La conclusión es que queremos que tenga éxito.
– Las herramientas –
Tensorflow y Pytorch son las dos bibliotecas de código abierto más populares para Deep Learning. En este curso aprenderás ambos!
TensorFlow fue desarrollado por Google y se usa en su sistema de reconocimiento de voz, en el nuevo producto de fotos de Google, gmail, búsqueda de Google y mucho más. Las compañías que utilizan Tensorflow incluyen AirBnb, Airbus, Ebay, Intel, Uber y docenas más.
PyTorch es igual de poderoso y está siendo desarrollado por investigadores de Nvidia y universidades líderes: Stanford, Oxford, ParisTech. Las empresas que utilizan PyTorch incluyen Twitter, Saleforce y Facebook.
Entonces, ¿cuál es mejor y para qué?
Bueno, en este curso tendrá la oportunidad de trabajar con ambos y comprender cuándo Tensorflow es mejor y cuándo PyTorch es el camino a seguir. A lo largo de los tutoriales, comparamos los dos y le damos consejos e ideas sobre cuáles podrían funcionar mejor en ciertas circunstancias.
Lo interesante es que estas dos bibliotecas tienen apenas un año de antigüedad. A eso nos referimos cuando decimos que en este curso le enseñamos los modelos y las técnicas más avanzados de Aprendizaje Profundo.
– Más herramientas –
Theano es otra biblioteca de aprendizaje profundo de código abierto. Es muy similar a Tensorflow en su funcionalidad, pero aún así lo cubriremos.
Keras es una biblioteca increíble para implementar modelos de Aprendizaje Profundo. Actúa como una envoltura para Theano y Tensorflow. Gracias a Keras, podemos crear modelos de Deep Learning poderosos y complejos con solo unas pocas líneas de código. Esto es lo que le permitirá tener una visión global de lo que está creando. Todo lo que haga se verá tan claro y estructurado gracias a esta biblioteca, que realmente obtendrá la intuición y la comprensión de lo que está haciendo.
– Incluso más herramientas –
Scikit-learn la biblioteca de Aprendizaje automático más práctica. Lo utilizaremos principalmente:
- para evaluar el rendimiento de nuestros modelos con la técnica más relevante, k-Fold Cross Validation
- para mejorar nuestros modelos con un ajuste de parámetros efectivo
- preprocesar nuestros datos, para que nuestros modelos puedan aprender en las mejores condiciones.
Y por supuesto, tenemos que mencionar a los sospechosos habituales. Todo este curso se basa en Python y en cada sección recibirá horas y horas de inestimable experiencia práctica de codificación práctica.
Además, a lo largo del curso usaremos Numpy para realizar cálculos elevados y manipular arreglos de alta dimensión, Matplotlib para trazar gráficos perspicaces y Pandas para importar y manipular conjuntos de datos de la manera más eficiente.
– ¿Para quién es este curso? –
Como puede ver, hay muchas herramientas diferentes en el espacio de Aprendizaje Profundo y en este curso nos aseguramos de mostrarle las más importantes y las más progresivas para que cuando termine con Aprendizaje AZ ™ sus habilidades estén en La vanguardia de la tecnología actual.
Si recién está comenzando con el Aprendizaje Profundo, este curso le resultará extremadamente útil. Deep Learning AZ ™ está estructurado en torno a enfoques especiales de codificación, lo que significa que no se verá afectado por programaciones o complejidades matemáticas innecesarias y, en cambio, aplicará técnicas de Aprendizaje profundo desde el comienzo del curso. Desarrollará sus conocimientos desde cero y verá cómo con cada tutorial se está volviendo cada vez más seguro.
Si ya tiene experiencia con Deep Learning, encontrará este curso refrescante, inspirador y muy práctico. Dentro de Deep Learning AZ ™ dominarás algunos de los algoritmos y técnicas más avanzados de Deep Learning (algunos de los cuales ni siquiera existían hace un año) y, a través de este curso, obtendrás una inmensa cantidad de experiencia práctica valiosa con Desafíos empresariales del mundo real. Además, dentro de usted encontrará inspiración para explorar nuevas habilidades y aplicaciones de Aprendizaje Profundo.
– Estudios de casos del mundo real –
Dominar el aprendizaje profundo no consiste solo en conocer la intuición y las herramientas, también se trata de poder aplicar estos modelos a escenarios reales y obtener resultados medibles reales para el negocio o proyecto. Es por eso que en este curso presentamos seis desafíos emocionantes:
# 1 problema de modelado de churn
En esta parte, resolverá un desafío de análisis de datos para un banco. Se le entregará un conjunto de datos con una gran muestra de los clientes del banco. Para hacer este conjunto de datos, el banco recopiló información como la identificación del cliente, el puntaje de crédito, el sexo, la edad, la permanencia, el saldo, si el cliente está activo, tiene una tarjeta de crédito, etc. Durante un período de 6 meses, el banco observó si estos Los clientes se fueron o se quedaron en el banco.
Su objetivo es crear una red neuronal artificial que pueda predecir, en función de la información geo-demográfica y transaccional proporcionada anteriormente, si algún cliente en particular dejará el banco o se quedará (abandono del cliente). Además, se le solicita que clasifique a todos los clientes del banco, según la probabilidad de que se vayan. Para hacer eso, necesitará usar el modelo de Aprendizaje Profundo correcto, uno que se base en un enfoque probabilístico.
Si tiene éxito en este proyecto, creará un valor agregado significativo para el banco. Al aplicar su modelo de Aprendizaje Profundo, el banco puede reducir significativamente la rotación de clientes.
# 2 reconocimiento de imagen
En esta parte, creará una red neuronal convolucional que puede detectar varios objetos en imágenes. Implementaremos este modelo de Aprendizaje Profundo para reconocer a un gato o un perro en un conjunto de imágenes. Sin embargo, este modelo se puede reutilizar para detectar cualquier otra cosa y le mostraremos cómo hacerlo, simplemente cambiando las imágenes en la carpeta de entrada.
Por ejemplo, podrá entrenar el mismo modelo en un conjunto de imágenes cerebrales, para detectar si contienen un tumor o no. Pero si desea mantenerlo equipado para perros y gatos, entonces literalmente podrá tomar una fotografía de su gato o perro, y su modelo predecirá qué mascota tiene. ¡Incluso lo probamos en el perro de Hadelin!
# 3 Predicción del precio de las acciones
En esta parte, creará uno de los modelos de aprendizaje profundo más potentes. Incluso llegaremos a decir que creará el modelo de Aprendizaje Profundo más cercano a la “Inteligencia Artificial” . ¿Porqué es eso? Porque este modelo tendrá memoria a largo plazo, como nosotros, los humanos.
La rama de Aprendizaje Profundo que facilita esto es Redes Neuronales Recurrentes. Los RNN clásicos tienen poca memoria, y no fueron populares ni poderosos por esta razón exacta. Pero una reciente mejora importante en las redes neuronales recurrentes dio lugar a la popularidad de los LSTM (RNN de memoria a corto plazo a largo plazo) que ha cambiado completamente el campo de juego. ¡Estamos muy emocionados de incluir estos métodos de aprendizaje profundo de vanguardia en nuestro curso!
En esta parte, aprenderá cómo implementar este modelo ultra potente y aceptaremos el desafío de usarlo para predecir el precio real de las acciones de Google. Los investigadores de la Universidad de Stanford ya han enfrentado un desafío similar y nuestro objetivo será hacerlo al menos tan bien como ellos.
Detección de Fraude # 4
Según un informe reciente publicado por Mercados y Mercados, el Mercado de Detección y Prevención de Fraudes tendrá un valor de $ 33.19 mil millones de dólares para 2021. Esta es una industria enorme y la demanda de habilidades avanzadas de Aprendizaje Profundo solo va a crecer. Es por eso que hemos incluido este estudio de caso en el curso.
Esta es la primera parte del Volumen 2 – Modelos de aprendizaje profundo sin supervisión. El reto empresarial aquí es detectar el fraude en las aplicaciones de tarjetas de crédito. Creará un modelo de aprendizaje profundo para un banco y se le proporcionará un conjunto de datos que contiene información sobre los clientes que solicitan una tarjeta de crédito avanzada.
Estos son los datos que los clientes proporcionaron al completar el formulario de solicitud. Su tarea es detectar posibles fraudes dentro de estas aplicaciones. Eso significa que al final del desafío, literalmente aparecerá una lista explícita de clientes que potencialmente hicieron trampa en sus aplicaciones.
Sistemas de recomendación # 5 y 6
Desde sugerencias de productos de Amazon hasta recomendaciones de películas de Netflix: los buenos sistemas de recomendación son muy valiosos en el mundo de hoy. Y los especialistas que pueden crearlos son algunos de los científicos de datos mejor pagados del planeta.
Trabajaremos en un conjunto de datos que tenga exactamente las mismas características que el conjunto de datos de Netflix: muchas películas, miles de usuarios, que han calificado las películas que vieron. Las calificaciones van del 1 al 5, exactamente como en el conjunto de datos de Netflix, lo que hace que el Sistema de Recomendación sea más complejo de construir que si las calificaciones fueran simplemente “Me gustó” o “No me gustó”.
Su sistema de recomendación final podrá predecir las calificaciones de las películas que los clientes no vieron. En consecuencia, al clasificar las predicciones de 5 a 1, su modelo de Deep Learning podrá recomendar qué películas debería ver cada usuario. Crear un sistema de recomendación tan poderoso es todo un desafío, así que nos daremos dos tomas. Lo que significa que lo construiremos con dos modelos diferentes de Aprendizaje Profundo.
Nuestro primer modelo será Deep Belief Networks, máquinas Boltzmann complejas que se cubrirán en la Parte 5. Luego, nuestro segundo modelo será con los potentes AutoEncoders, mis favoritos personales. Apreciará el contraste entre su simplicidad y lo que son capaces de hacer.
E incluso podrás aplicarlo a ti mismo oa tus amigos. La lista de películas será explícita, por lo que simplemente tendrá que calificar las películas que ya vio, ingresar sus calificaciones en el conjunto de datos, ejecutar su modelo y ¡listo! ¡El sistema de recomendaciones le indicará exactamente qué películas le encantarían una noche si no tiene ideas de qué ver en Netflix!
– Resumen –
En conclusión, este es un emocionante programa de capacitación con tutoriales de intuición, ejercicios prácticos y estudios de casos reales.
¡Estamos muy entusiasmados con el Aprendizaje Profundo y esperamos verte dentro de la clase!
Kirill y Hadelin
¿Quién es el público objetivo?
- Cualquier persona interesada en el aprendizaje profundo
- Estudiantes que tienen al menos conocimientos de secundaria en matemáticas y que desean comenzar a aprender Aprendizaje profundo
- Cualquier persona de nivel intermedio que conozca los conceptos básicos de Aprendizaje automático o Aprendizaje profundo, incluidos los algoritmos clásicos como la regresión lineal o la regresión logística y temas más avanzados como las redes neuronales artificiales, pero que quieran aprender más sobre él y explorar todos los diferentes campos de Deep Aprendizaje
- Cualquier persona que no esté tan cómoda con la codificación pero que esté interesada en el Aprendizaje Profundo y quiera aplicarlo fácilmente en los conjuntos de datos
- Cualquier estudiante en la universidad que quiera comenzar una carrera en Data Science
- Cualquier analista de datos que quiera subir de nivel en Deep Learning.
- Cualquier persona que no esté satisfecha con su trabajo y que quiera convertirse en científico de datos
- Cualquier persona que desee crear un valor agregado a su negocio mediante el uso de potentes herramientas de aprendizaje profundo.
- Cualquier propietario de negocio que quiera entender cómo aprovechar la tecnología exponencial de Deep Learning en su negocio.
- Cualquier empresario que quiera crear una interrupción en una industria utilizando los algoritmos de aprendizaje profundo más avanzados.
Requerimientos
- Sólo un nivel de matemáticas de la escuela secundaria
Course Link- Deep Learning AZ ™: redes neuronales artificiales con manos | Aprende a crear algoritmos de aprendizaje profundo en Python
