Modelar el lenguaje con redes neuronales recurrentes (RNN) en Keras
6 capítulos · 56 lecciones
≈ 14 h
Certificado de seguimiento
Ajustable por su empresa, mediante presupuesto y factura
Cree su cuenta gratuita
13 lecciones están abiertas, sin tarjeta bancaria.
Crear mi cuenta
Ya tengo una cuenta
Tus datos están alojados en la Unión Europea. Confidencialidad
Descripción
Cómo se desarrolla el curso
Cada lección es un texto estructurado, ilustrado con ejemplos y esquemas, seguido de un cuestionario corregido automáticamente. Avanzas a tu ritmo, y tus notas quedan vinculadas a la lección en la que las tomaste.
¿Este formato le conviene?
Ver la primera lección13 lecciones abiertas, sin tarjeta bancaria.
Programa
6 capítulos, 56 lecciones
- 2. Introducción y descubrimiento de las redes neuronales recurrentesabierto
- 2. Comparar la complejidad de las RNN y de las redes neuronales clásicasabierto
- 2. Aplicar las RNN al análisis de sentimientoabierto
- 2. Descubrir los modelos de secuencia a secuenciaabierto
- 2. Comprender los principios del modelado del lenguajeabierto
- 2. Explorar las características de los datos textualesabierto
- 2. Preparar los textos para su procesamiento por un modeloabierto
- 2. Adaptar nuevos textos para usarlos con el modeloabierto
- 2. Implementar RNN con Kerasabierto
- 2. Construir modelos con Kerasabierto
- 2. Preparar los datos textuales con Kerasabierto
- 2. Construir tu primer modelo RNNabierto
- 3. Comprender los fenómenos de desvanecimiento y explosión del gradienteseguidores
- 3. Identificar las causas de los gradientes explosivosseguidores
- 3. Analizar el problema de los gradientes que se anulanseguidores
- 3. Descubrir las celdas GRU y LSTMseguidores
- 3. Comparar las celdas GRU con las RNN simplesseguidores
- 3. Combinar varias capas RNNseguidores
- 3. Introducir la capa de embeddingseguidores
- 3. Comparar los modelos según su número de parámetrosseguidores
- 3. Aprovechar el transfer learningseguidores
- 3. Mejorar el rendimiento gracias a los embeddingsseguidores
- 3. Repasar la clasificación de sentimientosseguidores
- 3. Optimizar la clasificación de sentimientosseguidores
- 3. Integrar una capa CNN en los modelos RNNseguidores
- 4. Preparar los datos para la clasificación multiclaseseguidores
- 4. Codificar las etiquetas como vectoresseguidores
- 4. Poner en marcha el preprocesamiento de los datosseguidores
- 4. Descubrir el aprendizaje por transferencia aplicado a los modelos de lenguajeseguidores
- 4. Preparar un modelo para el aprendizaje por transferenciaseguidores
- 4. Utilizar Word2Vec para representar las palabrasseguidores
- 4. Construir modelos de clasificación multiclaseseguidores
- 4. Explorar el conjunto de datos 20 Newsgroupsseguidores
- 4. Clasificar artículos de prensa por categoríaseguidores
- 4. Medir el rendimiento del modeloseguidores
- 4. Analizar el equilibrio entre precisión y exhaustividadseguidores
- 4. Elegir entre precisión y exhaustividadseguidores
- 4. Evaluar un modelo de clasificación multiclaseseguidores
- 5. Descubrir los modelos secuencia a secuenciaseguidores
- 5. Explorar la generación de texto con modelos secuencia a secuenciaseguidores
- 5. Descubrir la traducción automática neuronalseguidores
- 5. Implementar una función de generación de textoseguidores
- 5. Predecir el carácter siguiente en una secuenciaseguidores
- 5. Generar texto teniendo en cuenta el contextoseguidores
- 5. Ajustar las probabilidades para controlar la generaciónseguidores
- 5. Explorar distintos enfoques de generación de textoseguidores
- 5. Crear representaciones de frases y predecir los caracteres siguientesseguidores
- 5. Preparar los datos necesarios para el entrenamientoseguidores
- 5. Construir un modelo de generación de textoseguidores
- 5. Aplicar la traducción automática neuronalseguidores
- 5. Preparar las secuencias de texto de entradaseguidores
- 5. Preparar las secuencias de texto de salidaseguidores
- 5. Traducir automáticamente del portugués al inglésseguidores
- 5. Terminar la puesta en práctica de los modelos secuencia a secuenciaseguidores
Qué está incluido
Todo lo que acompaña a las lecciones
56 leccionesIlustradas con ejemplos y esquemas.
Cuestionario en cada lecciónCorrecciones inmediatas; solo cuenta su mejor puntuación.
Sus notasTomadas en las lecciones, localizadas por sección.
Preguntas del cursoPlantéelas en la lección: el equipo y los estudiantes responden.
Seguimiento del progresoPor sección, con sus resultados en los cuestionarios.
Certificado verificableNominativo, con un código único.
Ritmo
Cuánto tiempo, según su disponibilidad
Puedo dedicarle, por semana:
Certificado
Lo que obtiene al final
CERTIFICADO DE APROBACIÓNModelar el lenguaje con redes neuronales recurrentes (RNN) en Kerasexpedido a su nombre
Código únicoVerificable en línea
Cuando el curso termina, el certificado de asistencia se emite a su nombre. Su código permite a un reclutador verificarlo en pocos segundos.
No es un título ni una certificación profesional; es la prueba verificable de que ha seguido y superado este curso.
Autor
Quién escribe este curso
ÉQ
Equipo DATAGOZ
Formador · DATAGOZ
Una pedagogía clara y aplicada, con ejemplos concretos para aprender de forma eficaz.
Preguntas
Antes de empezar
Ningún requisito previo: el curso parte de los fundamentos.
Mientras su suscripción esté activa. Si la cancela, su progreso y sus certificados se conservan.
Un certificado de asistencia de DATAGOZ, nominativo y verificable en línea mediante su código. No es un título.
Accesibilidad. ¿Tiene alguna discapacidad? Escriba a contact@datagoz.com: estudiaremos con usted las adaptaciones posibles.
Empieza este curso hoy
13 lecciones abiertas, sin tarjeta bancaria. Verá el nivel y el tono antes de decidir.