Lección 1 del módulo “Redes Recurrentes y LSTM” del curso Fundamentos de Deep Learning con Python.
En el proyecto final de la sección anterior vimos cómo realizar la detección de objetos usando Redes Convolucionales.
En esta cuarta sección del curso nos enfocaremos en las Redes Neuronales Recurrentes (o simplemente Redes Recurrentes) y las Redes LSTM, especializadas en el procesamiento de secuencias.
Específicamente, en esta lección veremos una introducción a esta arquitectura y hablaremos en detalle del concepto de secuencia.
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.
Bien, acabamos de ver que una secuencia es un conjunto de elementos organizados de forma consecutiva y correlacionados en el tiempo (como por ejemplo las series de tiempo, el texto, la voz, el video o incluso algunas señales biológicas).
Y las Redes Recurrentes (RNN) son ideales para procesar estas secuencias, ya que pueden aprender relaciones entre los elementos de la secuencia, permitiendo resolver problemas en ámbitos como el procesamiento del lenguaje natural y la visión por computador, entre otros.
Así que ya tenemos claro el concepto de secuencia y la notación que usaremos en adelante, y tenemos una idea muy general de lo que hace una Red Neuronal Recurrente.
En la próxima lección veremos en detalle este concepto, así que hablaremos del principio de funcionamiento de una Red Neuronal Recurrente.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.