Curso libreInteligencia artificial y datos
Redes neuronales con PyTorch
El curso Redes neuronales con PyTorch proporciona al estudiante las bases prácticas para construir, entrenar y depurar redes neuronales, desde tensores y gradientes con autograd hasta un clasificador de imágenes con transferencia de aprendizaje, de modo que pueda resolver problemas propios de visión por computador con GPU en Google Colab.
A quién va dirigido
Estudiantes de ingeniería y analistas con Python intermedio y nociones de álgebra lineal y aprendizaje automático.
Objetivos
✓Comprender los tensores, el grafo computacional y la retropropagación con autograd en PyTorch.
✓Analizar curvas de aprendizaje y métricas para diagnosticar sobreajuste en el entrenamiento de una red.
✓Aplicar el ciclo de entrenamiento con Dataset, DataLoader, funciones de pérdida y optimizadores SGD y AdamW.
✓Diseñar un clasificador de imágenes con redes convolucionales, aumento de datos y ajuste de ResNet preentrenado.
✓Evaluar el clasificador con matriz de confusión y valorar dropout, regularización y parada temprana.
Plan de estudios por sesión
1
Tensores y autogradTensores en CPU y GPU, grafo computacional y retropropagación · Regresión lineal desde cero en PyTorch con Google Colab
2
Entrenamiento de redes neuronalesnn.Module, capas lineales, activaciones, Dataset y DataLoader · Pérdida, optimizadores SGD y AdamW y curvas de aprendizaje
3
Redes convolucionales y transferenciaConvoluciones, agrupamiento y aumento de datos con torchvision · Ajuste de ResNet preentrenado, regularización y parada temprana
4
Presentación del clasificador de imágenesConjunto de imágenes propio y matriz de confusión · Exportación del modelo
Evaluación
Inicial30%Ejercicio de regresión lineal desde cero en PyTorch con tensores en CPU y GPU en Google Colab.
Intermedio30%Taller de entrenamiento de una red con nn.Module, DataLoader y optimizadores, y lectura de curvas de aprendizaje.
Final40%Clasificador de imágenes con transferencia de aprendizaje sobre un conjunto propio, con informe de evaluación y sustentación.
Proyecto final
Clasificador de imágenes entrenado con transferencia de aprendizaje en PyTorch sobre un conjunto de datos propio, con informe de evaluación.