Overview

Save Big on Coursera Plus. 7,000+ courses at $160 off. Limited Time Only!

Grab it

Este curso se enfoca en aprovechar la flexibilidad y facilidad de uso de TensorFlow 2.x y Keras para compilar, entrenar e implementar modelos de aprendizaje automático. Aprenderá sobre la jerarquía de la API de TensorFlow 2.x y conocerá los componentes principales de TensorFlow mediante ejercicios prácticos. Le mostraremos cómo trabajar con conjuntos de datos y columnas de atributos. Aprenderá a diseñar y compilar una canalización de datos de entrada de TensorFlow 2.x. Adquirirá experiencia práctica en la carga de arreglos de NumPy, imágenes y datos de texto con tf.data.Dataset, así como de datos de CSV con Pandas. También adquirirá experiencia práctica en la creación de columnas de atributos numéricas, categóricas, agrupadas en depósitos y con hash. Además, le presentaremos las API secuencial y funcional de Keras para mostrarle cómo crear modelos de aprendizaje profundo. Hablaremos sobre las funciones de activación, pérdida y optimización. Nuestros labs prácticos sobre los notebooks de Jupyter le permitirán compilar modelos de aprendizaje automático de regresión lineal básica, y de regresión logística básica y avanzada. Aprenderá a entrenar, implementar y llevar a producción modelos de aprendizaje automático a gran escala con AI Platform de Cloud.

Syllabus

Introducción al curso

Este curso es una introducción a TensorFlow 2.x, que incorpora la facilidad de uso de Keras para compilar modelos de aprendizaje automático. En este curso, se abarcarán el diseño y la compilación de una canalización de datos de entrada de TensorFlow 2.x., la compilación de modelos de aprendizaje automático con TensorFlow 2.x y Keras, la mejora en la exactitud de estos modelos y su correspondiente escritura para una utilización escalada.

Introducción a TensorFlow

Le mostraremos el nuevo paradigma de TensorFlow 2.x. Aprenderá sobre la jerarquía de la API de TensorFlow y conocerá los componentes principales de TensorFlow, los tensores y las variables, mediante ejercicios prácticos.

Diseñe y compile una canalización de datos de entrada de TensorFlow

Le mostraremos cómo trabajar con conjuntos de datos y columnas de atributos. Adquirirá experiencia práctica en la carga de arreglos de NumPy, imágenes y datos de texto con tf.data.Dataset, así como de datos de CSV con Pandas. También adquirirá experiencia práctica en la creación de columnas de atributos numéricas, categóricas, agrupadas en depósitos y con hash.

Entrenamiento de redes neuronales con TensorFlow 2 y la API secuencial de Keras

En este módulo, le mostraremos cómo escribir modelos de TensorFlow con la API secuencial de Keras, pero, antes de sumergirnos en la escritura del modelo, hablaremos sobre las funciones de activación, pérdida y optimización. Luego, se le presentará la API secuencial de Keras para mostrarle cómo crear modelos de aprendizaje profundo. Además, aprenderá a implementar el modelo para la predicción en la nube.

Entrenamiento de redes neuronales con TensorFlow 2 y la API funcional de Keras

En la mayoría de las situaciones, la API del modelo Sequential es ideal para desarrollar modelos de aprendizaje profundo, pero tiene algunas limitaciones. Por ejemplo, no define de forma directa los modelos que pueden tener varias fuentes de entrada o producir varios destinos de salida, como tampoco los modelos que reutilizan capas. La API funcional de Keras es una forma de crear modelos más flexibles que los de la API de tf.keras.Sequential. La API funcional procesa modelos con topología no lineal, capas compartidas, y varias salidas y entradas. La API funcional de Keras proporciona una forma más flexible de definir los modelos. Específicamente, le permite definir varios modelos de entrada y salida, así como los que comparten capas. Además, le permite definir grafos acíclicos de red ad hoc. La principal idea es que un modelo de aprendizaje profundo suele ser un grafo acíclico dirigido (DAG) de capas. Por lo tanto, la API funcional es una forma de compilar grafos de capas. En este módulo, también hablaremos sobre cómo la regularización puede ayudar con el rendimiento del modelo.

Resumen

Haremos un resumen de los temas sobre TensorFlow que tratamos hasta aquí en este curso. Repasaremos el código principal de TensorFlow, la API de tf.data, las API secuencial y funcional de Keras, y finalizaremos con el escalamiento de sus modelos de aprendizaje automático mediante AI Platform de Cloud.