Lección 5 del módulo “Introducción al Deep Learning” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos un panorama general de la evolución y los casos de éxito del Deep Learning. En esta lección veremos algunas definiciones esenciales, como los tipos de datos y de modelos, así como los tipos de problemas y de aprendizaje que se pueden abordar desde el Deep Learning.
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Muy bien, acabamos de ver los tipos de datos que convencionalmente usaremos en los problemas de Deep Learning (como los datos estructurados y los no estructurados) así como las diferentes arquitecturas como las Redes Neuronales, las Convolucionales, las Recurrentes y LSTM y las Redes Transformer.
Además vimos qué es el aprendizaje y los dos principales tipo de aprendizaje de interés para el Deep Learning: el supervisado y el no supervisado.
Así que en este punto ya tenemos un panorama completo no sólo del Machine Learning sino del tema central de este curso: el Deep Learning. Además tenemos una idea general de las diferentes áreas en las que puede ser usado el Deep Learning.
Pero como este curso tiene un componente práctico, es hora de hablar de las herramientas de programación que usaremos en adelante. Así que en la próxima lección veremos una introducción a Google Colab, el entorno que usaremos para programar en Python e implementar todo el componente práctico de este curso.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.