https://github.com/lazernata/deep-learning-course-exercises
Exercises from ADR Formación "Deep Learning. Redes Neuronales. Tensorflow.Python" Course
https://github.com/lazernata/deep-learning-course-exercises
colab-notebook data-science deep-learning neural-network python statistics
Last synced: 5 months ago
JSON representation
Exercises from ADR Formación "Deep Learning. Redes Neuronales. Tensorflow.Python" Course
- Host: GitHub
- URL: https://github.com/lazernata/deep-learning-course-exercises
- Owner: lazernata
- Created: 2024-10-28T09:22:33.000Z (over 1 year ago)
- Default Branch: main
- Last Pushed: 2024-11-12T13:16:38.000Z (over 1 year ago)
- Last Synced: 2025-05-07T14:51:51.520Z (about 1 year ago)
- Topics: colab-notebook, data-science, deep-learning, neural-network, python, statistics
- Language: Jupyter Notebook
- Homepage:
- Size: 2.17 MB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
---
# Ejercicios Completados - Curso de Deep Learning en Python
Este 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.
---
## Contenidos y Resumen de Ejercicios
### 1. Introducción a Deep Learning
Ejercicios 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.
### 2. Redes Neuronales Artificiales (ANN) - Conceptos Fundamentales
Prácticas 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.
### 3. Redes Neuronales Artificiales (ANN) - Regresión con Keras y TensorFlow
Ejercicios 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.
### 4. Redes Neuronales Artificiales (ANN) - Clasificación Binaria con Keras y TensorFlow
Prácticas 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.
### 5. Redes Neuronales Artificiales (ANN) - Clasificación Multiclase con Keras y TensorFlow
Ejercicios 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.
### 6. Redes Neuronales Convolucionales (CNN) - Clasificación de Imágenes en Blanco y Negro
Prácticas 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.
### 7. Redes Neuronales Convolucionales (CNN) - Clasificación de Imágenes en Color
Ejercicios 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.
### 8. Redes Neuronales Recurrentes (RNN)
Prácticas 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.
### 9. Redes Neuronales en Aprendizaje No Supervisado
Ejercicios 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.
---
## Cómo Usar Este Repositorio
Cada 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.
---