Librerías de Deep Learning
Descripción
Este repositorio almacena los contenidos del módulo de Librerías de Deep Learning elaborado por el grupo de trabajo de la Universidad Miguel Hernández de Elche dentro del proyecto UNIDIGITAL-IASAC desarrollado entre enero de 2022 y diciembre de 2023. El material desarrollado consiste en cuadernos Jupyter autoejecutables con una breve descripción teórica de contenidos y con numerosas aplicaciones prácticas de diferentes ámbitos de conocimiento.
Empezaremos por revisar los conceptos básicos del aprendizaje profundo y entrenamiento de las redes neuronales. Se abordan las redes neuronales multicapa densa con varias aplicaciones prácticas como la clasificación de críticas de películas o las noticias por temáticas. A continuación, se estudian las redes convolucionales aplicadas principalmente al análisis de imagen. Se estudian las redes recurrentes aplicadas al análisis de series temporales. Finalmente, se estudian los modelos de procesamiento de lenguaje natural mediante redes neuronales, tranformers y redes generativas antagónicas.
Nivel del tema
Este material se destina a estudiantes de grado y postgrado con un curso básico de programación en Python y de Estadística interesados en conocer las bases del aprendizaje profundo con aplicaciones reales.
Índice
Los materiales que conforman esta materia se han estructurado en cinco módulos de acuerdo a los contenidos tratados en cada uno de ellos: Introducción, Redes multicapa densa, Redes convolucionales, Redes recurrentes y Redes neuronales. Cada módulo está organizado en diferentes unidades según diferentes temáticas o tareas, y cada una de ellas se compone de un conjunto de cuadernos Jupyter para ejecutar sobre Google Colab que están organizados para su desarrollo en clase en un periodo de tiempo de 60 a 90 minutos.
En la índice siguiente se presenta el guión de contenidos del material desarrollado. Dicho índice está organizada indicando el Bloque-Unidad de contenidos, así como la tarea de aprendizaje automático sobre la que se centra, y el número de cuadernos que lo conforman:
- 1. Introducción (5,5 h)
- 1.1. Introducción al aprendizaje profundo
- 1. Fundamentos del aprendizaje profundo
- 1.2. Proceso de entrenamiento de la red neuronal
- 2. Proceso de entrenamiento de la red neuronal I
- 3. Proceso de entrenamiento de la red neuronal II
- 1.1. Introducción al aprendizaje profundo
- 2. Redes Multicapa Densas (6 h)
- 2.1. API Keras para redes multicapa densas
- 4. Introducción a redes multicapa densas
- 5. Parámetros e hiperparámetros de la red
- 6. Aplicaciones prácticas
- 2.1. API Keras para redes multicapa densas
- 3. Redes Convolucionales (9 h)
- 3.1. API Keras para redes convolucionales (I)
- 7. Análisis de imágenes I
- 8. Análisis de imágenes II
- 9. Análisis de imágenes III
- 3.2. API Keras para redes convolucionales (II)
- 10. Visualizamos como aprenden las covnets
- 11. Redes preentrenadas
- 3.1. API Keras para redes convolucionales (I)
- 4. Redes Recurrentes (4,5 h)
- 3.3. API Keras para redes recurrentes
- 12. Introducción a redes recurrentes
- 13. Series temporales
- 3.3. API Keras para redes recurrentes
- 5. Redes Neuronales (15 h)
- Unidad 5.1 API Keras para redes neuronales (I)
- 14. Introducción a redes neuronales
- 15. Transformers
- 16. Aprendizaje secuencia a secuencia
- Unidad 5.2 API Keras para redes neuronales (II)
- 17. NLP con Hugging Face
- 18. API Keras para redes generativas antagónicas
- Unidad 5.1 API Keras para redes neuronales (I)
Profesor/es responsable/s
Fernando Borrás
e-mail
f.borras@umh.es
Federico Botella
e-mail
federico@umh.es
Inés Hernández
e-mail
ines.hernandezp@umh.es
Mª Asunción Martínez Mayoral
e-mail
asun.mayoral@umh.es
Josep Moltó
e-mail
j.molto@umh.es
Javier Morales Socuellamos
e-mail
j.morales@umh.es
Inicio de sesión
Documentación
- Ipynb100-Cómo aprenden las covnets.ipynb
- Ipynb10-Fundamentos del aprendizaje profundo.ipynb
- Ipynb110-Redes preentrenadas.ipynb
- Ipynb120-Introducción a redes recurrentes.ipynb
- Ipynb130-Series temporales.ipynb
- Ipynb140-Introducción a redes neuronales.ipynb
- Ipynb150-Transformers.ipynb
- Ipynb160-Aprendizaje secuencia a secuencia.ipynb
- Ipynb170-NLP con Hugging Face.ipynb
- Ipynb180-API Keras para redes generativas antagónicas.ipynb
- Ipynb20-Proceso de entrenamiento de la red neuronal I.ipynb
- Ipynb30-Proceso de entrenamiento de la red neuronal II.ipynb
- Ipynb40-Introducción a redes multicapa densas.ipynb
- Ipynb50-Parámetros e hiperparámetros de la red multicapa densa.ipynb
- Ipynb60-Aplicaciones prácticas para redes multicapa densas.ipynb
- Ipynb70-Análisis de imágenes I.ipynb
- Ipynb80-Análisis de imágenes II.ipynb
- Ipynb90-Análisis de imágenes III.ipynb