No, no es. Puedes aprenderlo fácilmente con el curso correcto.
Comience con el aprendizaje profundo a través de este curso. Este es uno de los cursos más vendidos sobre aprendizaje profundo en Internet. Veamos qué aprenderás a través de este curso.
¿Que aprenderás?
- Comprender 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 mapas autoorganizados en la práctica
- Comprender la intuición detrás de las máquinas Boltzmann
- Aplicar máquinas Boltzmann en la práctica
- Comprender la intuición detrás de AutoEncoders
- Aplicar AutoEncoders en la práctica
Enlace del curso: Deep Learning AZ ™: Redes neuronales artificiales prácticas | 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 instructor del curso
La inteligencia artificial está creciendo exponencialmente. No hay duda sobre eso. Los autos autónomos recorren millones de millas, IBM Watson está diagnosticando a los pacientes mejor que los ejércitos de médicos y AlphaGo de Google Deepmind venció al campeón mundial en Go, un juego donde la intuición juega un papel clave.
Pero cuanto más avanza la IA, 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 necesitas una visión clara y global del mismo.
Es por eso que agrupamos los tutoriales en dos volúmenes, que representan las dos ramas fundamentales del aprendizaje profundo: aprendizaje profundo supervisado y aprendizaje profundo no supervisado. Con cada volumen centrado en tres algoritmos distintos, descubrimos que esta es la mejor estructura para dominar el aprendizaje profundo.
2. TUTORIALES DE INTUICIÓN
Tantos cursos y libros simplemente te bombardean con la teoría, las matemáticas y la codificación … Pero se olvidan de explicar, quizás, la parte más importante: por qué estás haciendo lo que estás 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 Deep Learning.
Con nuestros tutoriales de intuición, estará seguro de que comprende todas las técnicas a nivel instintivo. Y una vez que proceda a los ejercicios prácticos de codificación, verá por sí mismo cuánto más significativa será su experiencia. Este es un cambio de juego.
3. PROYECTOS EMOCIONANTES
¿Estás cansado de los cursos basados en conjuntos de datos obsoletos y sobreutilizados?
¿Si? Bueno, entonces te espera un regalo.
Dentro de esta clase, trabajaremos en conjuntos de datos del mundo real para resolver problemas comerciales del mundo real. (Definitivamente no es el aburrido iris o los conjuntos de datos de clasificación de dígitos que vemos en cada curso). En este curso resolveremos seis desafíos del mundo real:
- Redes neuronales artificiales para resolver un problema de abandono de clientes
- Redes neuronales convolucionales para el reconocimiento de imágenes
- Redes neuronales recurrentes para predecir los precios de las acciones
- Mapas autoorganizados para investigar el fraude
- Boltzmann Machines para crear un sistema Recomender
- Autoencoders * apilados para asumir el desafío del premio de $ 1 millón de Netflix
* Autoencoders apilados es una técnica completamente nueva en Deep Learning que ni siquiera 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 comprender 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 y obtener el resultado que busca.
Este es un curso que naturalmente se extiende a su carrera.
5. APOYO EN CURSO
¿Alguna vez ha tomado un curso o leído un libro donde tiene preguntas pero no puede comunicarse con el autor?
Bueno, este curso es diferente. Estamos totalmente comprometidos a hacer de este el curso de Deep Learning más disruptivo y poderoso del planeta. Con eso viene la responsabilidad de estar constantemente allí cuando necesite nuestra ayuda.
De hecho, dado que físicamente también necesitamos comer y dormir, hemos reunido un equipo de científicos de datos profesionales para ayudarnos. Cada vez que haga una pregunta, recibirá una respuesta de nosotros dentro de un 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 utiliza 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 usan 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 usan PyTorch incluyen Twitter, Saleforce y Facebook.
Entonces, ¿cuál es mejor y para qué?
Bueno, en este curso tendrás 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 cuál podría funcionar mejor en ciertas circunstancias.
Lo interesante es que ambas bibliotecas tienen poco más de 1 año. A eso nos referimos cuando decimos que en este curso le enseñamos los modelos y técnicas de Deep Learning más avanzados.
– Más herramientas –
Theano es otra biblioteca de aprendizaje profundo de código abierto. Es muy similar a Tensorflow en su funcionalidad, pero aun 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 aprendizaje profundo potentes 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.
– Aún más herramientas –
Scikit-learn la biblioteca más práctica de Machine Learning. Lo usaremos 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 obtendrá horas y horas de invaluable experiencia práctica de codificación práctica.
Además, a lo largo del curso utilizaremos Numpy para hacer cálculos altos y manipular matrices de altas dimensiones, 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 Deep Learning y en este curso nos aseguramos de mostrarle las más importantes y progresivas para que cuando termine con Deep Learning AZ ™ sus habilidades estén en funcionamiento. La vanguardia de la tecnología actual.
Si recién está comenzando en el aprendizaje profundo, este curso le resultará extremadamente útil. Deep Learning AZ ™ está estructurado en torno a enfoques especiales de programación de codificación, lo que significa que no se atascará en programación innecesaria o complejidades matemáticas y, en su lugar, aplicará técnicas de Deep Learning desde el principio del curso. Desarrollarás tus conocimientos desde cero y verás cómo con cada tutorial te vuelves más y más seguro.
Si ya tiene experiencia con Deep Learning, este curso le resultará refrescante, inspirador y muy práctico. Dentro de Deep Learning AZ ™, dominará 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 obtendrá una inmensa cantidad de valiosa experiencia práctica con desafíos empresariales del mundo real. Además, en el interior encontrarás inspiración para explorar nuevas habilidades y aplicaciones de Deep Learning.
– Estudios de casos del mundo real –
Dominar el aprendizaje profundo no se trata solo de conocer la intuición y las herramientas, también se trata de poder aplicar estos modelos a escenarios del mundo real y obtener resultados mensurables reales para el negocio o proyecto. Es por eso que en este curso presentamos seis desafíos emocionantes:
# 1 problema de modelado de rotación
En esta parte, resolverá un desafío de análisis de datos para un banco. Se le dará un conjunto de datos con una gran muestra de los clientes del banco. Para hacer este conjunto de datos, el banco recopiló información como identificación del cliente, puntaje de crédito, sexo, edad, tenencia, 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, basándose en la información geodemográfica y transaccional proporcionada anteriormente, si algún cliente individual abandonará el banco o se quedará (abandono del cliente). Además, se le pide que clasifique a todos los clientes del banco, según su probabilidad de irse. Para hacer eso, necesitará usar el modelo correcto de Deep Learning, uno basado en un enfoque probabilístico.
Si tiene éxito en este proyecto, creará un valor agregado significativo para el banco. Al aplicar su modelo de Deep Learning, 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 adaptado a gatos y perros, literalmente podrá tomar una fotografía de su gato o su perro, y su modelo predecirá qué mascota tiene. ¡Incluso lo probamos en el perro de Hadelin!
# 3 Predicción de precios de acciones
En esta parte, creará uno de los modelos de aprendizaje profundo más potentes. Incluso llegaremos a decir que creará el modelo de Deep Learning más cercano a la “Inteligencia Artificial” . ¿Porqué es eso? Debido a que este modelo tendrá memoria a largo plazo, al igual que nosotros, los humanos.
La rama del aprendizaje profundo que facilita esto son las redes neuronales recurrentes. Los RNN clásicos tienen poca memoria, y no fueron populares ni poderosos por esta razón exacta. Pero una mejora importante reciente en las redes neuronales recurrentes dio lugar a la popularidad de los LSTM (RNN de memoria a corto plazo) que ha cambiado completamente el campo de juego. ¡Estamos extremadamente entusiasmados de incluir estos métodos de aprendizaje profundo de vanguardia en nuestro curso!
En esta parte, aprenderá a implementar este modelo ultrapotente y asumiremos el desafío de usarlo para predecir el precio real de las acciones de Google. Investigadores de la Universidad de Stanford ya han enfrentado un desafío similar y nuestro objetivo será hacer al menos tan bien como ellos.
# 4 detección de fraude
Según un informe reciente publicado por Markets & Markets, 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 no supervisados. El desafío comercial aquí es detectar fraudes en las aplicaciones de tarjetas de crédito. Creará un modelo de aprendizaje profundo para un banco y recibirá 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, obtendrá una lista explícita de clientes que potencialmente hicieron trampa en sus aplicaciones.
Sistemas de recomendación n. ° 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 de 1 a 5, exactamente como en el conjunto de datos de Netflix, lo que hace que el Sistema de recomendaciones sea más complejo de construir que si las calificaciones fueran simplemente “Me gusta” o “No me gusta”.
Su sistema de recomendación final podrá predecir las clasificaciones 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 debe ver cada usuario. Crear un sistema de recomendación tan poderoso es todo un desafío, por lo que nos daremos dos oportunidades. Lo que significa que lo construiremos con dos modelos diferentes de Deep Learning.
Nuestro primer modelo será Deep Belief Networks, máquinas complejas de Boltzmann 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 de lo que son capaces.
E incluso podrás aplicarlo a ti mismo o a 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 recomendación te dirá exactamente qué películas te encantarían una noche si no tienes idea de qué mirar en Netflix!
– Resumen –
En conclusión, este es un programa de entrenamiento emocionante lleno de tutoriales de intuición, ejercicios prácticos y estudios de casos del mundo real.
¡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 Deep Learning
- Cualquier persona de nivel intermedio que conozca los conceptos básicos del aprendizaje automático o el 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
- Cualquiera que no se sienta tan cómodo con la codificación pero que esté interesado en Deep Learning y quiera aplicarlo fácilmente en 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 Data Scientist
- Cualquier persona que quiera crear valor agregado a su negocio mediante el uso de potentes herramientas de Deep Learning
- Los dueños de negocios que quieran entender cómo aprovechar la tecnología exponencial de Deep Learning en sus negocios
- Cualquier emprendedor que quiera crear disrupción en una industria utilizando los algoritmos más avanzados de Deep Learning
Requisitos
- Solo un nivel de matemáticas de secundaria
Enlace del curso: Deep Learning AZ ™: Redes neuronales artificiales prácticas | Aprende a crear algoritmos de aprendizaje profundo en Python
