Backpropagation - Gradient Descent, Ejemplo completo –Fundamentos de Deep Learning – (Parte 9) скачать в хорошем качестве

Backpropagation - Gradient Descent, Ejemplo completo –Fundamentos de Deep Learning – (Parte 9)

En este video presento un ejemplo completo de una iteración de un modelo sencillo de Red Neuronal con una solo capa. Así, mostramos cómo obtener la función de pérdida para un ejemplo en particular, seguido de cómo calcular el gradiente de dicha función de pérdida con respecto a los parámetros W y b. Con esto se actualizan los parámetros W y b, resultando en una reducción de la función de pérdida. Además de explicar las operaciones matemáticas necesarias, también muestro fragmentos de código para implementar dicho proceso. Así, en el siguiente video presentaré una recapitulación de los temas que hemos visto, así como aspectos prácticos para implementar una red neuronal multicapa. Con esto concluiremos la primera parte teórica de esta serie de videos y continuaremos con implementaciones en Python y PyTorch. Video - Derivada de la función de pérdida    • Gradiente de la Función de Pérdida “Cross ...   Acerca de la serie Fundamentos de Deep Learning con Python y PyTorch: En esta serie de videos explico qué son las Redes Neuronales (Neural Networks) y qué es Aprendizaje Computacional (Machine Learning) así como Deep Learning. Empezamos con los principios matemáticos fundamentales hasta su implementación en código. Para esto, primero utilizaremos Python y Numpy para entender los principios de programación de Redes Neuronales incluyendo el algoritmo de retropropagación (backpropagation). Con estas bases, presentaremos el framework PyTorch y construiremos modelos más complejos como son Redes Neuronales Convolucionales (Convolutional Neural Networks - CNNs). About the video series: In this video series I will explain what Neural Networks are, and how Deep Neural Networks work, from the mathematical principles to their implementation in code. Firstly, we will use pure Python and Numpy to understand the fundamentals including backpropagation for a simple Fully Connected Network, and from there we will build on to Convolutional Neural Networks (CNN) using PyTorch. I will be uploading at least one new video every week until we reach different architectures of CNNs. Then, depending on the response and interest in the series I may cover newer models using Generative Adversarial Networks (GANs), and Recurrent Neural Networks.