1. Aprende
    2. /
  2. Cursos
    3. /
  3. Introducción al Aprendizaje Profundo en Python
  • 1

    Fundamentos del aprendizaje profundo y las redes neuronales

    Gratuito

    En este capítulo, te familiarizarás con los conceptos fundamentales y la terminología utilizada en el aprendizaje profundo, y comprenderás por qué las técnicas de aprendizaje profundo son tan potentes hoy en día. Construirás redes neuronales sencillas y generarás predicciones con ellas.

  • 2

    Optimización de una red neuronal con propagación hacia atrás

    Aprende a optimizar las predicciones generadas por tus redes neuronales. Utilizarás un método llamado propagación hacia atrás, que es una de las técnicas más importantes del aprendizaje profundo. Comprender cómo funciona te dará una base sólida sobre la que construir la segunda mitad del curso.

  • 3

    Construir modelos de aprendizaje profundo con keras

    En este capítulo, utilizarás la biblioteca Keras para construir modelos de aprendizaje profundo tanto de regresión como de clasificación. Conocerás el flujo de trabajo Especificar-Compilar-Ajustar que puedes utilizar para hacer predicciones y, al final del capítulo, tendrás todas las herramientas necesarias para construir redes neuronales profundas.

  • 4

    Ajuste fino de los modelos keras

    Aprende a optimizar tus modelos de aprendizaje profundo en Keras. Empieza por aprender a validar tus modelos, luego comprende el concepto de capacidad del modelo y, por último, experimenta con redes más amplias y profundas.

Initializing

Ejercicio

Aplicar la red a muchas observaciones/filas de datos

Ahora definirás una función llamada predict_with_network() que generará predicciones para múltiples observaciones de datos, que se cargan previamente como input_data. Como antes, weights también está precargado. Además, se ha precargado la función relu() que definiste en el ejercicio anterior.

Instrucciones

100 XP
  • Define una función llamada predict_with_network() que acepte dos argumentos - input_data_row y weights - y devuelva como salida una predicción de la red.
  • Calcula los valores de entrada y salida de cada nodo, almacenándolos como: node_0_input, node_0_output, node_1_input, y node_1_output.
    • Para calcular el valor de entrada de un nodo, multiplica las matrices correspondientes y calcula su suma.
    • Para calcular el valor de salida de un nodo, aplica la función relu() al valor de entrada del nodo.
  • Calcula la salida del modelo calculando input_to_final_layer y model_output del mismo modo que calculaste los valores de entrada y salida de los nodos.
  • Utiliza un bucle for para iterar sobre input_data:
    • Utiliza tu predict_with_network() para generar predicciones para cada fila del input_data - input_data_row. Añade cada predicción a results.