{"id":22868716,"url":"https://github.com/lazernata/deep-learning-course-exercises","last_synced_at":"2026-02-01T00:07:55.250Z","repository":{"id":261665125,"uuid":"879634138","full_name":"lazernata/Deep-Learning-Course-Exercises","owner":"lazernata","description":"Exercises from ADR Formación \"Deep Learning. Redes Neuronales. Tensorflow.Python\" Course","archived":false,"fork":false,"pushed_at":"2024-11-12T13:16:38.000Z","size":2272,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-05-07T14:51:51.520Z","etag":null,"topics":["colab-notebook","data-science","deep-learning","neural-network","python","statistics"],"latest_commit_sha":null,"homepage":"","language":"Jupyter Notebook","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/lazernata.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2024-10-28T09:22:33.000Z","updated_at":"2024-11-12T13:16:42.000Z","dependencies_parsed_at":"2024-11-07T19:37:42.144Z","dependency_job_id":"b682424d-511c-458a-ac01-e44c59499f9f","html_url":"https://github.com/lazernata/Deep-Learning-Course-Exercises","commit_stats":null,"previous_names":["lazernata/deep-learning-course-exercises"],"tags_count":0,"template":false,"template_full_name":null,"purl":"pkg:github/lazernata/Deep-Learning-Course-Exercises","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/lazernata%2FDeep-Learning-Course-Exercises","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/lazernata%2FDeep-Learning-Course-Exercises/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/lazernata%2FDeep-Learning-Course-Exercises/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/lazernata%2FDeep-Learning-Course-Exercises/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/lazernata","download_url":"https://codeload.github.com/lazernata/Deep-Learning-Course-Exercises/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/lazernata%2FDeep-Learning-Course-Exercises/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":28961233,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-01-31T23:03:11.038Z","status":"ssl_error","status_checked_at":"2026-01-31T22:56:44.691Z","response_time":128,"last_error":"SSL_connect returned=1 errno=0 peeraddr=140.82.121.6:443 state=error: unexpected eof while reading","robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":false,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["colab-notebook","data-science","deep-learning","neural-network","python","statistics"],"created_at":"2024-12-13T12:37:03.527Z","updated_at":"2026-02-01T00:07:55.214Z","avatar_url":"https://github.com/lazernata.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"---\n\n# Ejercicios Completados - Curso de Deep Learning en Python\n\nEste repositorio contiene los ejercicios completados durante el curso de **Deep Learning** con Python, utilizando principalmente TensorFlow y Keras. En cada sección se abordan temas fundamentales del aprendizaje profundo y la construcción de modelos de redes neuronales. Los ejercicios están organizados según los módulos del curso, cada uno enfocado en conceptos clave y técnicas aplicadas en Deep Learning.\n\n---\n\n## Contenidos y Resumen de Ejercicios\n\n### 1. Introducción a Deep Learning\nEjercicios sobre los conceptos básicos de Machine Learning y Deep Learning, instalación de librerías, y prácticas en aprendizaje supervisado y no supervisado. También incluye ejercicios sobre evaluación de rendimiento con métricas de clasificación y regresión.\n\n### 2. Redes Neuronales Artificiales (ANN) - Conceptos Fundamentales\nPrácticas sobre el funcionamiento de las neuronas y el modelo perceptrón, funciones de activación, y propagación hacia atrás. Además, se realizan ejercicios exploratorios con TensorFlow y Keras para entender su uso en el desarrollo de redes neuronales.\n\n### 3. Redes Neuronales Artificiales (ANN) - Regresión con Keras y TensorFlow\nEjercicios que cubren un caso práctico de regresión, incluyendo el análisis de datos, preprocesamiento, escalado de datos, creación y entrenamiento de un modelo de regresión, y evaluación de su rendimiento.\n\n### 4. Redes Neuronales Artificiales (ANN) - Clasificación Binaria con Keras y TensorFlow\nPrácticas en un caso práctico de clasificación binaria. Incluye la preparación de datos, creación de un modelo de clasificación binaria, y evaluación de los resultados de predicción con métricas adecuadas.\n\n### 5. Redes Neuronales Artificiales (ANN) - Clasificación Multiclase con Keras y TensorFlow\nEjercicios sobre la clasificación multiclase, desde el análisis y preprocesamiento de datos hasta la creación de un modelo adecuado para este tipo de problema, y la monitorización de su rendimiento con TensorBoard.\n\n### 6. Redes Neuronales Convolucionales (CNN) - Clasificación de Imágenes en Blanco y Negro\nPrácticas en el uso de redes neuronales convolucionales (CNN) para clasificar imágenes en blanco y negro. Incluye ejercicios sobre capas convolucionales, pooling, creación del modelo, y su evaluación.\n\n### 7. Redes Neuronales Convolucionales (CNN) - Clasificación de Imágenes en Color\nEjercicios similares a los de clasificación en blanco y negro, pero aplicados a imágenes en color (RGB). Se cubren todas las etapas del preprocesado, diseño, y entrenamiento del modelo CNN para tareas de clasificación de imágenes.\n\n### 8. Redes Neuronales Recurrentes (RNN)\nPrácticas en redes neuronales recurrentes (RNN) y en neuronas LSTM, enfocadas en el análisis de series temporales y previsiones. Incluye ejercicios sobre el manejo de batches, creación de generadores de series temporales, y construcción de un modelo de predicción.\n\n### 9. Redes Neuronales en Aprendizaje No Supervisado\nEjercicios en aprendizaje no supervisado utilizando autoencoders para reducción de dimensionalidad y clustering. Incluye técnicas de preprocesamiento y creación de un modelo de red neuronal no supervisado, así como estimación y evaluación de los clústeres obtenidos.\n\n---\n\n## Cómo Usar Este Repositorio\nCada sección contiene un conjunto de ejercicios organizados en **Jupyter Notebooks**, siguiendo la estructura del curso. Los ejercicios están diseñados para facilitar el aprendizaje práctico de cada concepto en Deep Learning, proporcionando ejemplos de uso con Keras y TensorFlow.\n\n---\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Flazernata%2Fdeep-learning-course-exercises","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Flazernata%2Fdeep-learning-course-exercises","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Flazernata%2Fdeep-learning-course-exercises/lists"}