Comprensión e Implementación de Redes Neuronales Recurrentes Usando Python

Resumen

Programa de estudio

• Introducción a las Redes Neuronales Recurrentes (RNNs)
Visión general de las Redes Neuronales
Comprendiendo los Datos Secuenciales
Introducción a las RNNs: Estructura y Funcionalidad
Aplicaciones Prácticas de las RNNs
• Retención de Memoria en RNNs
Explorando la Memoria a Corto Plazo en RNNs
Comprendiendo el Desvanecimiento y Explosión de Gradientes
Introducción a la Retropropagación a Través del Tiempo (BPTT)
• Implementación de RNNs Básicas en Python
Configuración del Entorno Python
Introducción a la Biblioteca Keras
Construcción de un Modelo RNN Simple
Entrenamiento y Evaluación de RNNs en Datos Secuenciales
• Arquitecturas Avanzadas de RNN: Memoria a Largo Corto Plazo (LSTM)
Limitaciones de las RNNs Básicas
Introducción a las Redes LSTM
Mecánica Interna Detallada de LSTM
Implementación de LSTMs con Keras
• Trabajando con Unidades Recurrentes con Puerta (GRUs)
Comparando GRUs con LSTMs
Implementación de Redes GRU en Keras
Consideraciones de Rendimiento y Casos de Uso
• Aplicaciones Prácticas y Variantes de RNN
Predicción de Series Temporales con RNNs
Aplicaciones de Procesamiento de Lenguaje Natural
Exploración de RNNs Bidireccionales y Arquitecturas RNN Apiladas
• Optimización y Ajuste de Modelos RNN
Técnicas de Ajuste de Hiperparámetros
Abordar el Sobreajuste en RNNs
Métricas de Rendimiento para Modelos RNN
• Proyectos y Estudios de Caso
Análisis de Sentimientos Usando LSTMs
Generación de Texto Predictivo con RNNs
Exploración de Modelos de Secuencia a Secuencia
• Conclusión y Aprendizaje Adicional
Resumen de Conceptos Clave
Tendencias Futuras en la Investigación de RNN
Recursos para Aprendizaje y Desarrollo Continuo
• Revisión del Curso y Sesión de Preguntas y Respuestas

---

Asignaturas

Charlas de conferencia