Deep Learning con Python y PyTorch - Función de Costo - Cross Entropy - REDES NEURONALES - (Parte 4)

En este video, continúo con la introducción a Deep Learning y presento la función de pérdida utilizada en combinación con Softmax. Esta función permite medir cuantitativamente qué tan adecuados son nuestros parámetros actuales W y b. Mientras más se aleje nuestra predicción del valor correspondiente a la clase correcta para un ejemplo particular, mayor será dicha pérdida. Al promedio de los valores de pérdida para cada ejemplo o muestra en nuestro set de datos, se le llama función de Costo, y estrictamente, esta función de costo es la que tratamos de minimizar. En el siguiente video, mostraré cómo utilizar cálculo para minimizar el valor actual de la función de costo. 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.