Introducción a las redes neuronales artificiales

En este módulo introductorio, se describe el contenido del curso, los conocimientos previos, las herramientas de trabajo y comenzamos con los conceptos básicos de Redes Neuronales Artificiales y Deep Learning.

En este módulo exploramos los conceptos fundamentales de las RNA, además de su representación matemática, funciones de activación, costo y optimización. Además de estudiar el Gradient Descent, un método de optimización bastante popular.

En este módulo se explora una de entre muchas herramientas para empezar a construir RNAs: TensorFlow de Google, se explica cómo utilizarlo en el Google Colab, además de conocer otros recursos relacionados como el Hub y versión Lite.

Entender cómo son las RNAs es importante para conocer su gran potencial, de entre todas sus clasificaciones las CNN y RNN son bastante populares por las aplicaciones que tenemos hoy en día: reconociendo fácil, asistentes virtuales como Alexa, home, entre otros. En este módulo, se explica cómo son las CNN y RNN, además de una breve descripción de las redes tipo GAN.

En este último módulo del curso de RNAs, ponemos manos a la obra con python, TensorFlow y Google Colab para hacer unos ejemplos básicos enfocados a lo aprendido en el curso.

En este módulo práctico, aprendemos a descargar un dataset de gran volumen (imágenes) a nuestro notebook de GoogleColab y resolver un problema de clasificación de imágenes con redes neuronales convolucionales CNN.