Machine Learning y Visión Artificial · ML-102

TensorFlow y Keras: CNN y RNN

Preparar datasets y entrenar redes convolucionales y recurrentes con Keras midiendo lo comparable.

Disponible Avanzado 7 módulos · 31 clases

Formato asíncrono Desarrollo, Ingeniería / Industria Python, TensorFlow

IA DESARROLLO

Lo que aprenderás

Construir canalizaciones de datos con tf.data incluyendo carga, mezcla, prefetch y aumento de imagen.
Definir modelos con la API secuencial y la funcional de Keras según la complejidad de la arquitectura.
Entrenar redes convolucionales para clasificación de imagen con capas de convolución, pooling y normalización.
Aplicar transferencia de aprendizaje congelando capas y ajustando finamente un modelo preentrenado.
Modelar secuencias con capas LSTM y GRU para predicción sobre series y texto.
Comparar experimentos con callbacks, TensorBoard y un protocolo de métricas estable entre modelos.

Contenido del curso

7 módulos · 31 clases en vídeo · práctica guiada en cada módulo

Módulo 1 · Entorno y fundamentos 4 clases

Instalación de TensorFlow y comprobación del acelerador
Tensores, variables y ejecución ansiosa
Keras dentro de TensorFlow: qué aporta cada API
Primer modelo denso de referencia

Módulo 2 · Canalización de datos con tf.data 5 clases

Carga desde directorios y desde ficheros CSV
map, batch, shuffle y prefetch
Aumento de datos para imagen
Normalización y capas de preprocesado
Comprobar la canalización antes de entrenar

Módulo 3 · Redes convolucionales 5 clases

Convolución, filtros y mapas de características
Pooling, padding y stride
Normalización por lotes y regularización
Una CNN completa de clasificación
Errores frecuentes al leer la matriz de confusión

Módulo 4 · Transferencia de aprendizaje 4 clases

Modelos preentrenados disponibles en Keras
Congelar capas y entrenar la cabeza
Ajuste fino con tasa de aprendizaje reducida
Cuándo la transferencia no compensa

Módulo 5 · Redes recurrentes 5 clases

Secuencias, ventanas y forma de los tensores
Capas LSTM y GRU
Predicción de series con horizonte múltiple
Secuencias de texto y capas de embedding
Comparación con alternativas más simples

Módulo 6 · Entrenamiento controlado 4 clases

Callbacks: checkpoint, early stopping y reducción de tasa
TensorBoard para seguir el entrenamiento
Registro de configuración de cada experimento
Protocolo de comparación entre modelos

Módulo 7 · Proyecto de cierre 4 clases

Elección del problema y preparación del conjunto de datos
Línea base y dos variantes comparables
Tabla de resultados con métricas y coste de cómputo
Exportación del modelo en formato SavedModel

Requisitos

Python con soltura y manejo previo de NumPy y de pandas.
Conceptos básicos de redes neuronales: capas, función de pérdida, retropropagación y sobreajuste.
Un cuaderno en la nube es suficiente para las prácticas; también se explica la instalación local con GPU.

Descripción

El problema habitual no es escribir el modelo, sino que los resultados de dos pruebas no se puedan comparar. Cambian a la vez la partición, el aumento de datos y la arquitectura, así que no se sabe qué ha mejorado. Cuando llega el momento de justificar por qué se elige un modelo, no hay más argumento que una cifra suelta en una celda.

El curso fija primero la canalización de datos con tf.data, para que la entrada sea idéntica entre experimentos, y después construye modelos con Keras. Redes convolucionales para imagen, con transferencia de aprendizaje y ajuste fino sobre modelos preentrenados. Redes recurrentes con LSTM y GRU para secuencias. Cada entrenamiento se registra con callbacks y se observa en TensorBoard.

El cierre trabaja el protocolo de comparación: mismas particiones, mismas métricas, mismo criterio de parada y una tabla de resultados que aguante una revisión. Desde aquí se continúa hacia el despliegue del modelo como servicio, hacia la inferencia en dispositivos con recursos limitados o hacia la detección de objetos aplicada a control de calidad.

¿Para quién es este curso?

Perfiles de desarrollo que necesitan entregar modelos de imagen o de secuencia y justificar la elección.
Ingeniería de datos industrial que quiere aplicar redes convolucionales a inspección o a clasificación de señal.
Quien ya entrena modelos sueltos y necesita un método de experimentación repetible.