Avanza desde los fundamentos de TensorFlow 2 hasta modelos neuronales funcionales en nueve notebooks de Jupyter. Comenzarás con tensores, ejecución eager y diferenciación automática; después implementarás regresión y clasificación antes de abordar redes convolucionales, transferencia de aprendizaje y persistencia de modelos.
El curso compara deliberadamente varios niveles de la API. Escribirás cálculos de bajo nivel con variables y GradientTape, construirás modelos tf.keras Sequential y Functional, crearás subclases y completarás tareas de implementación con datos reales y sintéticos.
Lo que aprenderás
- Crear y manipular tensores y variables de TensorFlow en ejecución eager
- Calcular derivadas y seguir gradientes con
tf.GradientTape - Implementar regresión lineal con operaciones de bajo nivel, capas y modelos Keras
- Ajustar regresión polinómica completando una implementación de bajo nivel
- Construir clasificadores poco profundos con código propio, Sequential, Functional y subclases
- Preparar y clasificar dígitos manuscritos y datos de seguridad de automóviles
- Construir redes VGG y LeNet-5 para Fashion-MNIST y adaptar una base VGG16 preentrenada
- Guardar y restaurar pesos, modelos completos y checkpoints de bajo nivel
A quién va dirigido este curso
Este curso es para quienes conocen Python y machine learning introductorio y desean un recorrido práctico por TensorFlow 2, desde tensores hasta redes convolucionales. Aunque los notebooks se marcan como principiantes, avanzan rápidamente y presuponen arrays, regresión, clasificación y el propósito básico de las capas neuronales. No cubre despliegue ni servicio en producción.
Requisitos previos: Se recomiendan Python, operaciones con arrays tipo NumPy y conocimientos iniciales de derivadas, regresión, clasificación y redes neuronales. Es útil conocer Jupyter Notebook.
Entorno de aprendizaje: Las nueve actividades se ejecutan en un entorno Jupyter Ubuntu 22.04 proporcionado. Los notebooks contienen explicaciones, ejemplos, carga de datos y secciones de implementación para completar.
Preguntas frecuentes
¿Es solo una introducción a la sintaxis de TensorFlow?
No. Comienza con sintaxis y diferenciación automática, y continúa con regresión, clasificación, modelos VGG y LeNet-5, transferencia de aprendizaje y guardado.
¿Qué conjuntos de datos utiliza?
Usa datos de regresión generados, dígitos de scikit-learn, Car Evaluation y Fashion-MNIST para ejercicios de regresión, clasificación tabular y clasificación de imágenes.
¿Todos los ejemplos siguen el estilo más reciente de TensorFlow 2?
No. El enfoque principal usa eager, GradientTape y tf.keras, pero algunas celdas conservan nombres tempranos como tf.train.AdamOptimizer. Consulta la documentación actual al adaptar los ejemplos.
¿Hay un único proyecto final?
No. Hay tareas enfocadas para completar regresión polinómica, clasificación de seguridad de automóviles y una red tipo LeNet-5, además de los notebooks guiados.
