Deep Learning con Python y PyTorch - Redes Neuronales Convolucionales / Convolutional Neural Networks (CNN) – Parte 4

Este es el último video de la serie de videos teóricos acerca de Redes Neuronales Convolucionales ya que en el siguiente video implementaremos una versión sencilla de una CNN usando PyTorch. Ahora, esto no significa que no volveremos a tocar la teoría de las CNNs, tendremos videos donde explicaremos diferentes arquitecturas, regularizaciones y otros conceptos, sin embargo lo haremos en combinación con implementaciones prácticas con código. Muchas gracias por acompañarme en esta serie de videos, en los siguientes videos estaremos realizando implementaciones con código. Hasta pronto! Referencias: ]M. D. Zeiler and R. Fergus, “Visualizing and Understanding Convolutional Networks,” arXiv:1311.2901 [cs], Nov. 2013, Accessed: Jan. 29, 2021. [Online]. Available: http://arxiv.org/abs/1311.2901 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.