Cursos - Descargar y procesar MNIST, sólo Python ! –Fundamentos de Deep Learning con Python y PyTorch–

Código en formato .py: https://github.com/JACantoral/DL_fundamentals/blob/main/get_images.py Éste es un video sumamente emocionante, ya que es el primer video 100% código. Para implementar nuestro primer modelo de red neuronal, utilizaremos la base de datos de caracteres numéricos escritos a a mano MNIST. Entonces, en este video mostraré como descargar esta base de datos y procesarla usando Python desde cero, es decir sin ayuda de frameworks de Deep Learning como PyTorch o Tensorflow. Así dejaremos la base de datos en un formato que puede ser utilizado por nuestra red neuronal, que implementaremos en Python en el siguiente video. Acerca de la serie Fundamentos de Deep Learning con Python y PyTorch: En esta serie de videos explico qué son las Redes Neuronales (Neural Networks) y qué es Aprendizaje Computacional (Machine Learning) así como Deep Learning. Empezamos con los principios matemáticos fundamentales hasta su implementación en código. Para esto, primero utilizaremos Python y Numpy para entender los principios de programación de Redes Neuronales incluyendo el algoritmo de retropropagación (backpropagation). Con estas bases, presentaremos el framework PyTorch y construiremos modelos más complejos como son Redes Neuronales Convolucionales (Convolutional Neural Networks - CNNs). About the video series: In this video series I will explain what Neural Networks are, and how Deep Neural Networks work, from the mathematical principles to their implementation in code. Firstly, we will use pure Python and Numpy to understand the fundamentals including backpropagation for a simple Fully Connected Network, and from there we will build on to Convolutional Neural Networks (CNN) using PyTorch. I will be uploading at least one new video every week until we reach different architectures of CNNs. Then, depending on the response and interest in the series I may cover newer models using Generative Adversarial Networks (GANs), and Recurrent Neural Networks. Referencias [1] “MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges.” http://yann.lecun.com/exdb/mnist/. [2] Y. LeCun et al., “Handwritten Digit Recognition with a Back-Propagation Network,” in Advances in Neural Information Processing Systems 2, D. S. Touretzky, Ed. Morgan-Kaufmann, 1990, pp. 396–404. [3] Y. LeCun, “Generalization and Network Strategies”, Technical Report CRG-TR-89-4, June 1989 [4] Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner. "Gradient-based learning applied to document recognition." Proceedings of the IEEE, 86(11):2278-2324, November 1998.