Estudia las ideas centrales de las redes neuronales en siete laboratorios de Jupyter que abarcan TensorFlow, Keras y PyTorch. Tras una introducción conceptual al aprendizaje profundo, trabajarás con tensores y cómputo, entrenarás regresiones, montarás redes totalmente conectadas y crearás un modelo de clasificación de texto.
El curso combina recorridos por los frameworks con implementaciones parcialmente completas. Los ejemplos usan viviendas de California, dígitos manuscritos, reseñas IMDB y datos sintéticos de regresión para situar capas, pérdidas, optimizadores, bucles de entrenamiento y predicciones en contextos concretos.
Lo que aprenderás
- Explicar hitos, conceptos y estructuras básicas del aprendizaje profundo
- Trabajar con tensores, sesiones, grafos, variables, marcadores y operaciones matriciales de TensorFlow
- Implementar regresión lineal en TensorFlow con mínimos cuadrados, gradientes manuales, optimizadores y minilotes
- Construir y entrenar una red TensorFlow multicapa sobre dígitos manuscritos
- Explorar capas Keras, modelos Sequential, API Functional, entrenamiento, evaluación y visualización
- Preparar secuencias IMDB y construir un clasificador de sentimiento Sequential
- Usar tensores, autograd, módulos neuronales y optimizadores de PyTorch
- Completar un modelo y bucle de regresión lineal PyTorch con datos sintéticos
A quién va dirigido este curso
Este curso es para estudiantes con bases de Python y aprendizaje automático que desean comparar cómo tres frameworks representan tensores, capas, modelos y entrenamiento. Aunque los laboratorios se marcan como principiantes, los notebooks compactos suponen que puedes seguir arrays tipo NumPy, operaciones matriciales, pérdidas y optimización. Es una base de frameworks, no un curso de despliegue moderno ni de aprendizaje profundo avanzado.
Requisitos previos: Se recomiendan Python básico, operaciones con arrays tipo NumPy y una comprensión inicial de regresión lineal y redes neuronales. Es útil conocer Jupyter Notebook.
Entorno de aprendizaje: Los siete laboratorios se ejecutan en un entorno Jupyter Ubuntu 22.04 proporcionado. Los notebooks combinan explicaciones, ejemplos ejecutables y celdas incompletas que debes terminar.
Preguntas frecuentes
¿Construiré modelos con los tres frameworks?
Sí. TensorFlow se usa para regresión lineal y un modelo multicapa de dígitos; Keras para sentimiento IMDB con Sequential; y PyTorch para regresión lineal. Los notebooks guía también cubren sus abstracciones esenciales.
¿Sirve para alguien totalmente nuevo en Python?
No. Los notebooks avanzan rápido por tensores, multiplicación matricial, pérdidas, gradientes y bucles de entrenamiento. Una base de Python y aprendizaje automático introductorio es importante.
¿Utiliza APIs actuales de los frameworks?
No en todo el contenido. TensorFlow usa patrones 1.x como Session y placeholder; Keras usa el paquete independiente keras; y la guía de PyTorch incluye Variable y material de CUDA 8/9. Los conceptos son útiles, pero debes consultar documentación actual para proyectos nuevos.
¿Qué datos y tareas incluye?
Usa viviendas de California para regresión con TensorFlow, dígitos de scikit-learn para clasificación totalmente conectada, reseñas IMDB para sentimiento y datos generados para regresión con PyTorch.
