Saltar al contenido

Construyendo modelos de aprendizaje profundo usando Apache MXNet

Sección Introducción Transcripciones

Resumen del curso

Construyendo modelos de aprendizaje profundo usando Apache MXNet
Construyendo modelos de aprendizaje profundo usando Apache MXNet

Hola. Me llamo Janani Ravi, y bienvenidos a este curso sobre la construcción de modelos de aprendizaje profundo usando Apache MXNet. 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 la patente completa de sus tecnologías subyacentes. Actualmente trabajo en mi propia empresa, Loonycorn, un estudio de contenido de video de alta calidad. En este curso, aprenderás los elementos básicos para construir redes neuronales utilizando NDArrays, el API de módulos y símbolos, así como el API de Gluon de última generación en MXNet. Empezamos por entender la arquitectura básica de MXNet y cómo funciona la estructura de datos en NDArrays. Entenderemos la diferencia entre la programación simbólica y la imperativa y cuando se elige usar una sobre la otra. Luego usaremos la programación simbólica con el Módulo y el Símbolo API para construir un modelo de clasificación simple para la detección del cáncer de mama. Entenderemos el uso de optimizadores, funciones de pérdida e iteradores de datos en la construcción y ejecución de redes neuronales. Luego pasaremos a la API de Gluon, que es una abstracción de alto nivel para construir redes neuronales de forma imperativa, así como simbólica. Construiremos una red neuronal convolucional para la clasificación de imágenes y luego hibridaremos esta red para poder ejecutar un gráfico de cálculo estático. Al final de este curso, debería sentirse cómodo construyendo y ejecutando redes neuronales usando todas las APIs que Apache MXNet tiene para ofrecer.