Aspectos básicos de PyTorch

Principiante
Intermedio
Científico de datos
Desarrollador
Estudiante
Machine Learning

Conozca los aspectos básicos del aprendizaje profundo con PyTorch. Esta ruta de aprendizaje para principiantes presentará conceptos clave para compilar modelos de aprendizaje automático en varios dominios, incluidos voz, visión y procesamiento de lenguaje natural.

Requisitos previos

  • Conocimientos básicos de Python
  • Conocimientos básicos sobre cómo usar cuadernos de Jupyter Notebook
  • Conocimientos básicos del aprendizaje automático

Módulos en esta ruta de aprendizaje

Aprenda los conceptos clave que se usan para crear modelo de Machine Learning con PyTorch. Entrenaremos un modelo de red neuronal que reconozca y clasifique imágenes.

Aprenderemos sobre diferentes tareas de visión informática y nos centraremos en la clasificación de imágenes, y veremos cómo usar redes neuronales para clasificar dígitos manuscritos, así como algunas imágenes reales, como fotografías de gatos y perros. Usaremos uno de los marcos de aprendizaje profundo más populares, ¡PyTorch!

En este módulo, se explorarán diferentes arquitecturas de red neuronal para trabajar con textos en lenguaje natural. En los últimos años, el procesamiento de lenguaje natural (NLP) ha experimentado un rápido crecimiento principalmente debido al rendimiento de la capacidad de los modelos de lenguaje para "comprender" con precisión el lenguaje humano de manera más rápida al usar el entrenamiento no supervisado en grandes corpus lingüísticos. Conoceremos diferentes técnicas de NLP, como el uso de bolsas de palabras (BoW), inserciones de palabras y redes neuronales recurrentes para clasificar el texto de titulares de noticias en una de las 4 categorías (Internacional, Deportes, Economía y Ciencia y tecnología).

En este módulo de Learn aprenderá a realizar la clasificación de audio con PyTorch. Comprenderá más sobre las características de datos de audio y cómo transformar las señales de sonido en una representación visual denominada «espectrogramas». A continuación, compilará el modelo mediante visión informática en las imágenes de espectrograma. Así es, ¡puede convertir un audio en una representación de imagen y luego clasificar la palabra oral mediante visión informática!