Curso práctico de Aprendizaje profundo (Deeplearning)

Curso práctico de Aprendizaje profundo (Deeplearning) con fastai y Gratis

Un curso gratuito diseñado para personas con algo de experiencia en programación (idealmente Python), que desean aprender a aplicar el aprendizaje profundo y el aprendizaje automático a problemas prácticos.

Este curso gratuito está diseñado para personas con algo de experiencia en codificación que desean aprender a aplicar el aprendizaje profundo y el aprendizaje automático a problemas prácticos.

El aprendizaje profundo puede hacer todo tipo de cosas asombrosas. Por ejemplo, todas las ilustraciones en este sitio web están hechas con aprendizaje profundo, utilizando DALL-E 2.

¿El aprendizaje profundo es Inteligencia Artificial? Durante el curso sabrás separar la paja del grano.

La parte II de este curso, Desde los fundamentos del aprendizaje profundo hasta la difusión estable , se impartirá en vivo a partir del 11 de octubre de 2022 (hora de Australia; 11 de octubre, hora de EE. UU.). Hay becas disponibles para autores de código abierto. Para inscribirse en el curso, haga clic aquí.

¡Bienvenidos!

Aprendizaje Profundo Práctico para Programadores 2022 , grabado en la Universidad de Queensland , cubre temas como:

Hay 9 lecciones, y cada lección dura alrededor de 90 minutos. El curso se basa en nuestro libro calificado con 5 estrellas , que está disponible gratuitamente en línea.

No necesita ningún hardware o software especial; le mostraremos cómo usar recursos gratuitos para construir e implementar modelos. Tampoco necesitas matemáticas universitarias: te enseñaremos el cálculo y el álgebra lineal que necesitas durante el curso.

Al final de la segunda lección, habrá creado e implementado su propio modelo de aprendizaje profundo en los datos que recopila. Muchos estudiantes publican sus proyectos de cursos en nuestro foro; Puedes verlos aquí . Por ejemplo, si hay un dinosaurio desconocido en su patio trasero, ¡quizás necesite este clasificador de dinosaurios !

Los exalumnos de nuestro curso obtuvieron trabajos en organizaciones como Google Brain , OpenAI , Adobe , Amazon y Tesla , publicaron investigaciones en conferencias importantes como NeurIPS y crearon nuevas empresas utilizando las habilidades que aprendieron aquí. Petro Cuenca, desarrollador principal de la aclamada aplicación Camera+ , luego de completar el curso agregó funciones de aprendizaje profundo a su producto, que luego fue presentado por Apple por su «magia de aprendizaje automático».

 

¿Aprender Deeplearning (aprendizaje profundo) es para mi?

Los cursos anteriores de fast.ai han sido estudiados por cientos de miles de estudiantes, de todos los ámbitos de la vida, de todas partes del mundo. Muchos estudiantes nos han contado cómo se han convertido en múltiples ganadores de medallas de oro en competencias internacionales de aprendizaje automático , han recibido ofertas de las principales empresas y han publicado trabajos de investigación . Por ejemplo, Isaac Dimitrovsky nos dijo que «había estado jugando con ML durante un par de años sin realmente asimilarlo… [luego] hizo el curso fast.ai parte 1 a fines del año pasado, y funcionó para mí «. Luego logró el primer lugar en el prestigioso desafío internacional RA2-DREAM. ¡competencia! Desarrolló un método de aprendizaje profundo de varias etapas para calificar el daño articular radiográfico de la mano y el pie en la artritis reumatoide, aprovechando la biblioteca fastai.

No importa si no proviene de una formación técnica o matemática (¡aunque está bien si también la tiene!); escribimos este curso para hacer que el aprendizaje profundo sea accesible para la mayor cantidad de personas posible. El único requisito previo es que sepas programar (un año de experiencia es suficiente), preferiblemente en Python, y que al menos hayas seguido un curso de matemáticas en la escuela secundaria.

El aprendizaje profundo es una técnica informática para extraer y transformar datos, con casos de uso que van desde el reconocimiento del habla humana hasta la clasificación de imágenes de animales, mediante el uso de múltiples capas de redes neuronales. Mucha gente asume que necesita todo tipo de cosas difíciles de encontrar para obtener excelentes resultados con el aprendizaje profundo, pero como verá en este curso, esas personas están equivocadas. Aquí hay algunas cosas que absolutamente no necesita para hacer un aprendizaje profundo de clase mundial:

Mito (no es necesario)	Verdad
un montón de matemáticas	Solo las matemáticas de la escuela secundaria son suficientes
muchos datos	Hemos visto resultados récord con <50 elementos de datos
Muchas computadoras caras	Puede obtener lo que necesita para un trabajo de última generación de forma gratuita.

El software que usaremos para aprender Deep Learning

En este curso, usaremos PyTorch , fastai , Hugging Face Transformers y Gradio .

Hemos completado cientos de proyectos de aprendizaje automático utilizando docenas de paquetes diferentes y muchos lenguajes de programación diferentes. En fast.ai, hemos escrito cursos utilizando la mayoría de los principales paquetes de aprendizaje profundo y aprendizaje automático que se utilizan en la actualidad. Pasamos más de mil horas probando PyTorch antes de decidir que lo usaríamos para futuros cursos, desarrollo de software e investigación. PyTorch es ahora la biblioteca de aprendizaje profundo de más rápido crecimiento en el mundo y ya se usa para la mayoría de los trabajos de investigación en las principales conferencias.

PyTorch funciona mejor como una biblioteca base de bajo nivel, ya que proporciona las operaciones básicas para una funcionalidad de nivel superior. La biblioteca fastai es una de las bibliotecas más populares para agregar esta funcionalidad de nivel superior además de PyTorch. En este curso, a medida que profundizamos más y más en los fundamentos del aprendizaje profundo, también profundizaremos más y más en las capas de fastai.

Transformers es una biblioteca popular centrada en el procesamiento del lenguaje natural (NLP) utilizando modelos de transformadores . En el curso, verá cómo crear un modelo de transformadores de vanguardia utilizando esta biblioteca para detectar conceptos similares en solicitudes de patentes.

¿Por qué es importante aprender Deep Learning o Aprendizaje Profundo?

¿Por qué aprendizaje profundo?

El aprendizaje profundo tiene poder, flexibilidad y simplicidad. Es por eso que creemos que debe aplicarse en muchas disciplinas. Estos incluyen las ciencias sociales y físicas, las artes, la medicina, las finanzas, la investigación científica y muchos más. Aquí hay una lista de algunas de las miles de tareas en diferentes áreas en las que el aprendizaje profundo, o los métodos que utilizan mucho el aprendizaje profundo, son ahora los mejores del mundo:

• Procesamiento del lenguaje natural (PNL) Responder preguntas; reconocimiento de voz; resumir documentos; clasificar documentos; encontrar nombres, fechas, etc. en documentos; búsqueda de artículos que mencionen un concepto
• Visión por computadora Interpretación de imágenes satelitales y de drones (p. ej., para resiliencia ante desastres); Reconocimiento facial; subtítulos de imágenes; lectura de señales de tráfico; localización de peatones y vehículos en vehículos autónomos
• Medicina Encontrar anomalías en las imágenes de radiología, incluidas las imágenes de tomografía computarizada, resonancia magnética y rayos X; características de conteo en portaobjetos de patología; características de medición en ultrasonidos; diagnóstico de la retinopatía diabética
• Biología Proteínas plegables; clasificación de proteínas; muchas tareas genómicas, como la secuenciación tumoral normal y la clasificación de mutaciones genéticas clínicamente procesables; clasificación celular; análisis de interacciones proteína/proteína
• Generación de imágenes Colorear imágenes; aumento de la resolución de la imagen; eliminar el ruido de las imágenes; convertir imágenes en arte al estilo de artistas famosos
• Sistemas de recomendación Búsqueda web; recomendaciones de productos; diseño de la página de inicio
• Jugar Chess, Go, la mayoría de los videojuegos de Atari y muchos juegos de estrategia en tiempo real
• Robótica Manejo de objetos difíciles de localizar (p. ej., transparentes, brillantes, sin textura) o difíciles de levantar
• Otras aplicaciones Pronósticos financieros y logísticos, texto a voz, y mucho más…

Lo que vas a aprender de Deep Learning o Aprendizaje Profundo

Después de terminar este curso sabrás:

• Cómo entrenar modelos que logren resultados de vanguardia en:
  • Visión artificial, incluida la clasificación de imágenes (p. ej., clasificación de fotos de mascotas por raza)
  • Procesamiento de lenguaje natural (NLP), incluida la clasificación de documentos (p. ej., análisis de opiniones de reseñas de películas) y similitud de frases
  • Datos tabulares con datos categóricos, datos continuos y datos mixtos
  • Filtrado colaborativo (p. ej., recomendación de películas)
• Cómo convertir sus modelos en aplicaciones web e implementarlas
• Por qué y cómo funcionan los modelos de aprendizaje profundo, y cómo usar ese conocimiento para mejorar la precisión, la velocidad y la confiabilidad de sus modelos
• Las últimas técnicas de aprendizaje profundo que realmente importan en la práctica
• Cómo implementar el descenso de gradiente estocástico y un ciclo de entrenamiento completo desde cero

Estas son algunas de las técnicas cubiertas (no se preocupe si ninguna de estas palabras significa nada para usted todavía, las aprenderá todas pronto):

• Bosques aleatorios y aumento de gradiente
• Funciones afines y no linealidades
• Parámetros y activaciones
• Transferencia de aprendizaje
• Descenso de gradiente estocástico (SGD)
• Aumento de datos
• Decaimiento de peso
• Clasificación de imágenes
• Incrustaciones de entidades y palabras
• Y mucho más

¿Cómo empiezo a practicar Deep Learning?

Para ver los videos, haga clic en la sección Lecciones en la barra lateral de navegación. Todos los videos están subtitulados; mientras ve el video, haga clic en el botón «CC» para encenderlos y apagarlos. Para tener una idea de lo que se cubre en una lección, es posible que desee hojear algunas notas de la lección tomadas por uno de nuestros estudiantes (¡gracias, Daniel!). Aquí están sus notas de la lección 7 y las notas de la lección 8 . También puedes acceder a todos los videos a través de esta lista de reproducción de YouTube .

Cada video está diseñado para ir con varios capítulos del libro. La totalidad de cada capítulo del libro está disponible como un Jupyter Notebook interactivo. Jupyter Notebook es la herramienta más popular para hacer ciencia de datos en Python, por una buena razón. Es potente, flexible y fácil de usar. ¡Creemos que te encantará! Dado que lo más importante para el aprendizaje profundo es escribir código y experimentar, es importante que tenga una gran plataforma para experimentar con el código.

Usaremos principalmente Kaggle Notebooks y Paperspace Gradient porque descubrimos que funcionan muy bien para este curso y tienen buenas opciones gratuitas. También haremos algunas partes del curso en su propia computadora portátil. (Si aún no tiene una cuenta de Paperspace, regístrese con este enlace para obtener un crédito de $ 10, y nosotros también obtenemos un crédito).

Recomendamos enfáticamente que no use su propia computadora para entrenar modelos en este curso, a menos que tenga mucha experiencia con la administración del sistema Linux y el manejo de controladores de GPU, CUDA, etc.

Si necesita ayuda, hay una maravillosa comunidad en línea lista para ayudarlo en forums.fast.ai. Antes de hacer una pregunta en los foros, busque cuidadosamente para ver si su pregunta ha sido respondida antes.