Laboratorios gratuitos de Aprendizaje automático

Aprendizaje supervisado. Si estás escuchando o leyendo este término por primera vez, entonces puede que no quede en absoluto claro qué significa. No te preocupes. En este laboratorio, obtendrás una comprensión integral del aprendizaje supervisado; y, en el siguiente capítulo del experimento, aprenderás a utilizar el aprendizaje supervisado para completar la predicción de datos.

La regresión lineal es un método de aprendizaje automático relativamente simple pero importante. Dominar el principio de linealidad y sus métodos de resolución es uno de los requisitos fundamentales para manejar la regresión lineal. Además, la regresión lineal también es la piedra angular del aprendizaje supervisado de regresión. Esperamos que puedas comprender algunas ideas importantes del aprendizaje automático a través de este experimento.

En el capítulo de regresión lineal, discutimos en detalle la implementación del código dando ejemplos de precios de viviendas en Boston. En este desafío, debes utilizar los conocimientos aprendidos en la regresión lineal para predecir los precios de viviendas en Pekín.

La regresión logística es un método de clasificación muy básico en el aprendizaje automático. Gracias a su simplicidad y eficiencia, el algoritmo se ha utilizado ampliamente en escenarios prácticos. En este curso, exploraremos el principio de la regresión logística y su implementación algoritmica, y construiremos un modelo de predicción de clasificación de regresión logística utilizando scikit-learn.

Entre las predicciones de clasificación, hay pocos algoritmos basados en la teoría de la probabilidad. El Bayesiano ingenuo es uno de ellos. El algoritmo Bayesiano ingenuo es fácil de implementar y la eficiencia de la clasificación predictiva es muy alta. En general, el Bayesiano ingenuo es un algoritmo muy común. En este capítulo, se explica principalmente el principio del algoritmo Bayesiano ingenuo a partir del teorema de Bayes y la estimación de parámetros, y se combina con datos para implementarlo. Finalmente, presentaremos una aplicación práctica.

Hemos implementado la regresión lineal utilizando tres métodos. Este desafío te requerirá completar el ajuste de regresión polinomial utilizando TensorFlow y dibujar la curva de ajuste.

La regresión lineal es el problema más simple en el aprendizaje automático. Al mismo tiempo, la regresión lineal está estrechamente relacionada con las redes neuronales artificiales. En este curso de laboratorio, implementaremos la regresión lineal utilizando la API proporcionada por TensorFlow 2.

Usamos la regresión lineal como ejemplo para demostrar los cambios nuevos y las nuevas características de TensorFlow 2. De hecho, el papel más importante de los marcos de aprendizaje profundo como TensorFlow es construir redes neuronales artificiales. Entonces, este experimento usará TensorFlow 2 para construir una simple red neuronal feedforward.

Un proceso completo de aprendizaje profundo consta de cuatro pasos: entrenamiento del modelo, evaluación del modelo, guardado del modelo y despliegue del modelo. De hecho, todo el contenido que hemos mencionado anteriormente se centra en los primeros dos pasos. En este curso de laboratorio, aprenderemos cómo guardar y restaurar un modelo en TensorFlow 2.

En las dos semanas anteriores del curso, hemos aprendido qué es el aprendizaje supervisado y cómo son diferentes métodos de aprendizaje supervisado. La próxima semana, entenderás por completo el aprendizaje no supervisado y aprenderás a usar el aprendizaje no supervisado para realizar agrupamiento de datos.

Hemos presentado el uso de TensorFlow. Se supone que estás familiarizado con los conceptos de tensor, sesión y gráficos computacionales. En este desafío, intentaremos construir una estructura de red neuronal multicapa utilizando TensorFlow. No te preocupes; aquí no hay una red neuronal profunda y el enfoque es familiarizarse con el uso de TensorFlow.

Conocemos los algoritmos comúnmente utilizados en la regresión y la clasificación en el aprendizaje supervisado. A continuación, los guiaremos para que aprendan el aprendizaje no supervisado: el agrupamiento. En este experimento, primero explicaremos el método de agrupamiento basado en centroides más comúnmente utilizado, y luego presentaremos en detalle el algoritmo K-Means más representativo y otros miembros de la familia.

Hemos aprendido cómo construir redes neuronales utilizando TensorFlow y demostrado cómo utilizar las API de bajo nivel y Keras de TensorFlow. Este curso de desafío te pide que completes la construcción de una red neuronal simple de forma independiente.

Ya hemos aprendido cómo usar TensorFlow para implementar la regresión lineal y construir una red neuronal simple. En este curso de laboratorio, nos centraremos en la construcción de redes neuronales más profundas, eligiendo VGG, la estructura clásica de red neuronal convolucional, como ejemplo para realizar la tarea de clasificación de Fashion-MNIST. Además, el curso también nos enseñará cómo usar modelos preentrenados para el aprendizaje transferido.

A partir de este capítulo, comenzaremos el viaje del aprendizaje profundo. La clave del aprendizaje profundo radica en la construcción de redes neuronales profundas. Si construyes tu propia red neuronal profunda desde cero, el proceso será muy complicado. Por lo tanto, para implementar el modelo de aprendizaje profundo de manera más conveniente, necesitamos estudiar el uso de algunos marcos comunes. Actualmente, en la comunidad de aprendizaje profundo, los marcos más populares son TensorFlow, Keras, PyTorch, etc., cada uno con sus propias características únicas. Gracias al apoyo de Google y a la actividad de la gran comunidad de desarrolladores, TensorFlow es una plataforma confiable y se actualiza con frecuencia. Estudiar el uso de TensorFlow te ayudará a construir modelos de aprendizaje profundo de manera conveniente.