Self-driving cars, smartphones, search engines... Deep learning is now everywhere. Before you begin building complex models, you will become familiar with PyTorch, a deep learning framework. You will learn how to manipulate tensors, create PyTorch data structures, and build your first neural network in PyTorch with linear layers.

Introduction to deep learning with PyTorch

Getting started with PyTorch tensors

Checking and adding tensors

Neural networks and layers

Linear layer network

Understanding weights

Hidden layers and parameters

Your first neural network

Stacking linear layers

Counting the number of parameters

Introduction to PyTorch, a Deep Learning Library

To train a neural network in PyTorch, you will first need to understand additional components, such as activation and loss functions. You will then realize that training a network requires minimizing that loss function, which is done by calculating gradients. You will learn how to use these gradients to update your model's parameters.


Descubrir las funciones de activación

¡Activa tu comprensión!

Las funciones sigmoide y softmax

Ejecutar un paso hacia delante

Crear un clasificador binario en PyTorch

De la regresión a la clasificación multiclase

Utilizar funciones de pérdida para evaluar las previsiones del modelo

Creación de etiquetas con programación one-hot

Cálculo de la pérdida de entropía cruzada

Utilizar derivadas para actualizar los parámetros del modelo

Acceso a los parámetros del modelo

Actualización manual de los pesos

Uso del optimizador PyTorch

Neural Network Architecture and Hyperparameters

Now that you've learned the key components of a neural network, you'll train one using a training loop. You'll explore potential issues like vanishing gradients and learn strategies to address them, such as alternative activation functions and tuning learning rate and momentum.

A deeper dive into loading data

Using TensorDataset

Using DataLoader

Writing our first training loop

Using the MSELoss

Writing a training loop

ReLU activation functions

Implementing ReLU

Implementing leaky ReLU

Understanding activation functions

Learning rate and momentum

Experimenting with learning rate

Experimenting with momentum

Training a Neural Network with PyTorch

Training a deep learning model is an art, and to make sure our model is trained correctly, we need to keep track of certain metrics during training, such as the loss or the accuracy. We will learn how to calculate such metrics and how to reduce overfitting.


Layer initialization and transfer learning

Fine-tuning process

Freeze layers of a model

Layer initialization

Evaluating model performance

Writing the evaluation loop

Calculating accuracy using torchmetrics

Fighting overfitting

Experimenting with dropout

Understanding overfitting

Improving model performance

Implementing random search

Wrap-up video

Evaluating and Improving Models

Water Potability

Face Mask Dataset

Course Glossary

El aprendizaje profundo está en todas partes, desde las cámaras de los smartphones hasta los asistentes de voz o los vehículos autónomos. En este curso, descubrirás esta potente tecnología y aprenderás a aprovecharla con PyTorch, una de las bibliotecas de aprendizaje profundo más populares. Al final de este curso, serás capaz de aprovechar PyTorch para resolver problemas de clasificación y regresión utilizando el aprendizaje profundo.

Los vídeos contienen transcripciones en directo que puedes mostrar haciendo clic en «Mostrar transcripción» en la parte inferior izquierda de los vídeos.

El glosario del curso se encuentra a la derecha, en la sección de recursos.

Para obtener créditos CPE, debes completar el curso y alcanzar una puntuación del 70 % en la evaluación cualificada. Puedes acceder a la evaluación haciendo clic en la llamada de créditos CPE situada a la derecha.

<h2>Comprender el poder del aprendizaje profundo</h2>
El aprendizaje profundo está en todas partes: en las cámaras de los smartphones, en los asistentes de voz y en los vehículos autónomos. Incluso ha ayudado a descubrir estructuras de proteínas y a vencer a los humanos en el juego del go. Descubre esta potente tecnología y aprende a aprovecharla utilizando PyTorch, una de las bibliotecas de aprendizaje profundo más populares.<br><br>
<h2>Entrena tu primera red neuronal</h2>En primer lugar, aborda la diferencia entre el aprendizaje profundo y el machine learning "clásico". Aprenderás el proceso de entrenamiento de una red neuronal y a escribir un bucle de entrenamiento. Para ello, crearás funciones de pérdida para problemas de regresión y clasificación y aprovecharás PyTorch para calcular sus derivadas.<br><br><h2>Evalúa y mejora tu modelo</h2>En la segunda parte, aprenderás los distintos hiperparámetros que puedes ajustar para mejorar tu modelo. Tras conocer los distintos componentes de una red neuronal, podrás crear arquitecturas mayores y más complejas. Para medir el rendimiento de tus modelos, utilizarás TorchMetrics, una biblioteca de PyTorch para la evaluación de modelos. <br><br>Al finalizar, serás capaz de aprovechar PyTorch para resolver problemas de clasificación y regresión en datos tabulares y de imágenes utilizando el aprendizaje profundo. Una capacidad vital para los profesionales de datos con experiencia que buscan avanzar en sus carreras.

Supervised Learning with scikit-learn

Introduction to NumPy

Python Toolbox

Aprende a construir tu primera red neuronal, ajustar hiperparámetros y resolver problemas en PyTorch.

Introducción al aprendizaje profundo con PyTorch

Aprende a crear tu primera red neuronal, ajustar hiperparámetros y abordar problemas de clasificación y regresión en PyTorch.

Ingeniero Asociado de IA para Científicos de Datos

Aprendizaje profundo en Python

Fundamentos del aprendizaje automático en Python

Científico especializado en machine learning en Python

Senior Data Science Content Developer, DataCamp

Ejecutar un pase hacia adelante

¿Qué es un pase hacia adelante?

Clasificación binaria: pase hacia adelante

Clasificación multiclase: pase hacia adelante

Regresión: pase hacia adelante

¡Vamos a practicar!

https://s3.amazonaws.com/assets.datacamp.com/production/course_36947/subtitles/course_36947_2112957472b40d3ab939ee5b0ccd877c.vtt

Neural Network Architecture and Hyperparameters - Ejecutar un paso hacia delante

Ejecutar un paso hacia delante

Create Your Free Account