Sección Introducción Transcripciones
Resumen del curso
Hola, me llamo Janani Ravi, y bienvenidos a este curso de Clasificación de Imágenes con PyTorch. Un poco sobre mí, tengo una maestría en Ingeniería Eléctrica de Stanford, y he trabajado en compañías como Microsoft, Google y Flipkart. En Google, fui uno de los primeros ingenieros que trabajó en la edición colaborativa en tiempo real en Google Docs, y tengo cuatro patentes de sus tecnologías subyacentes. Actualmente trabajo en mi propia empresa, Loonycorn, un estudio de contenido de video de alta calidad. Tal vez los avances más innovadores en el aprendizaje automático recientemente han venido de la aplicación del aprendizaje automático a los problemas de clasificación. En este curso, obtendrás la capacidad de diseñar e implementar la clasificación de imágenes utilizando PyTorch, que está emergiendo rápidamente como una opción popular para construir modelos de aprendizaje profundo, debido a su flexibilidad, facilidad de uso y soporte incorporado para hardware optimizado como las GPU. En primer lugar, aprenderá cómo las imágenes pueden ser representadas como tensores de 4 dimensiones y luego ser reprocesadas para obtener lo mejor de los algoritmos ML. A continuación, descubrirá cómo implementar la clasificación de imágenes utilizando redes neuronales densas. A continuación, comprenderá y superará los escollos asociados al uso de redes neuronales convolucionales. Finalmente, completará el curso entendiendo y usando las arquitecturas más poderosas y populares de CNN, como VGG, AlexNet, DenseNet, etc., y aprovechando el soporte de PyTorch para el aprendizaje de la transferencia. Cuando termine este curso, tendrá las habilidades y el conocimiento para diseñar e implementar soluciones de clasificación de imágenes eficientes y poderosas usando una gama de arquitecturas de redes neuronales en PyTorch.