Arquitecturas con embeddings en Deep Learning
Curso end-to-end, desde el problema hasta su solución.
Aprende temas clave para poder avanzar en el mundo de las redes neuronales y sacar el máximo provecho.
¿Qué vas a aprender? :
✔ Arquitecturas con embeddings y datos mixtos.
✔ Operaciones con las capas de la red neuronal.
✔ Introducción a modelos secuenciales.
✔ Caso práctico: Arquitectura de recomendación de productos: Deploy del modelo en una API
➡︎ Continuá transformando tu carrera incorporando lo último de IA
Validación de modelos
de regresión en Deep Learning
Política de aprendizaje variable
Búsqueda de elementos
con kd-tree
¿Por qué hacer este curso?
> Entrenar redes neuronales es difícil.
Pero no imposible, aprendé dropout, learning rate variable, regularización, validación de modelos de regresión.
> Hace arquitecturas que salen de lo convencional de Machine Learning
Aprendé a operar con datos mixtos de distintos orígenes, operaciones con embeddings, usar múltiples orígenes de datos.
Herramientas utilizadas
Usaremos Google Colab con Keras y finalizaremos con Flask.
"¿Qué hacer una vez que se crea el modelo???"
Hacelo accesible en una API!
Apenderás lo básico para poder crear una página web HTML la cual se comunique con un servidor hecho en Flask, y retorne los resultados de tu modelo en un navegador
Flask es una de las librerías más populares para crear APIs en Python.
Contenido
- P.A.2.1 - Datos mixtos, embeddings y LR variable en Keras (7:14)
- P.A.2.2 - Modelo funcional arquitectura datos mixtos (9:03)
- P.A.2.3 - Repaso de la arquitectura funcional mixta (3:20)
- P.A.2.4 - Fit con política learning rate de decaimiento exponencial (7:01)
- P.A.2.5 - Datos mixtos validación del modelo (2:53)
- P.A.2.6 - Redes mixtas repaso final de la unidad (3:10)
- Cuestionario
- Preguntas de autoevaluación
- P.A.3.1 - Recomndador de productos (intro) (10:33)
- P.A.3.2 - Arquitectura para red de recomendación (7:56)
- P.A.3.3 - Usando KD-tree para búsqueda de items similares con embeddings (7:26)
- P.A.3.4 - Búsqueda y análisis de items parecidos, similitud de coseno (8:36)
- P.A.3.5 - Resumen de la unidad (2:40)
- Cuestionario
- Preguntas de autoevaluación
Si sos de Argentina podés abonar con MercadoPago en pesos.
Preguntas frecuentes:
> ¿Cómo es la modalidad?
Son videos grabados dónde podés consultar con el instructor todas las dudas a medida que avanzas. Lo haces a tu ritmo. Modalidad online.
> ¿Incluye soporte?
Si! A través de los foros de la plataforma y de nuestra comunidad en Slack. Además tendrás acceso a webinars exclusivos.
> ¿Cuánto tiempo tendré acceso?
Podés accederlo por 12 meses.
> ¿Cuánto dura el curso?
Con una duración de 2.5 hs de video en total, estimamos que uno lo puede finalizar en 2 semanas si realiza las prácticas sugeridas. La práctica es un punto pilar para fijar el conocimiento.
> ¿Qué me puedo descargar?
- Todos los scripts usados en el laboratorio.
> ¿Qué tengo que saber previamente?
Lo básico de Deep Learning, lo podés aprender en nuestro curso gratuito: Deep Learning 360 Nivel 1
Pablo Casas
Hay una manera genérica de ver y estudiar cada caso, ese método lo muestro en mis cursos con explicaciones que incluyen gráficos, objetos cotideanos, memes, alguna referencia matemática que no asuste, y código para aprender haciendo.
Publiqué el Libro Vivo de Ciencia de datos y la librería funModeling.
Me gusta explicar (y aprender) con ejemplos prácticos. Es lo que encontrarán en mis cursos y publicaciones." [Ver más]
Linkedin | Twitter