Aspectos básicos de TensorFlow
Obtenga información sobre los aspectos básicos del aprendizaje profundo con TensorFlow. Esta ruta de aprendizaje sencilla para principiantes presentará conceptos clave para crear modelos de Machine Learning.
Requisitos previos
- Conocimientos básicos de Python
- Conocimientos básicos sobre cómo usar cuadernos de Jupyter Notebook
- Conocimientos básicos del aprendizaje automático
Código de logros
¿Desea solicitar un código de logro?
Módulos en esta ruta de aprendizaje
En este módulo se proporcionan todos los conceptos y los conocimientos prácticos necesarios para empezar a trabajar con TensorFlow. Exploraremos Keras, una API de alto nivel publicada como parte de TensorFlow, y la usaremos para crear una red neuronal sencilla para la clasificación de imágenes.
En este módulo, se ofrece una introducción a Computer Vision con TensorFlow. Usaremos la clasificación de imágenes para obtener información sobre las redes neuronales convolucionales y, a continuación, veremos cómo las redes entrenadas previamente y el aprendizaje de transferencia pueden mejorar nuestros modelos y resolver problemas reales.
En este módulo, exploraremos diferentes arquitecturas de red neuronal para procesar textos en lenguaje natural. El procesamiento de lenguaje natural (NLP) ha experimentado un rápido crecimiento y avance principalmente porque el rendimiento de los modelos de lenguaje depende de su capacidad general para "comprender" el texto y se puede entrenar mediante una técnica no supervisada en un corpus de texto grande. Además, los modelos de texto entrenados previamente (como BERT) han simplificado muchas tareas NLP y han mejorado considerablemente el rendimiento. En este módulo de aprendizaje aprenderemos más sobre estas técnicas y los conceptos básicos de NLP.
En este módulo de Learn, aprenderemos a realizar la clasificación de audio con TensorFlow. Hay varias maneras de crear un modelo de clasificación de audio. Puede usar la forma de onda, etiquetar secciones de un archivo de ondas o incluso usar Computer Vision en la imagen del espectrograma. En este tutorial, primero se explica cómo comprender los datos de audio, desde representaciones análogas a digitales, y luego se crea el modelo mediante Computer Vision en las imágenes de espectrograma. De esta forma, puede convertir el audio en una representación de imagen y, a continuación, ejecutar Computer Vision para clasificar la palabra hablada.
Si ha completado el primer módulo y se ha dado cuenta de que necesita flexibilidad adicional para compilar o depurar el modelo, este módulo le resultará muy útil. Mostraremos cómo puede crear una red neuronal sencilla para la clasificación de imágenes, pero esta vez usaremos código de TensorFlow de nivel inferior y explicaremos los conceptos fundamentales necesarios para entenderlo.