DM182

David Brian Mayhuay Guzman

@davidbrianmayhuayguzman

Yungay, Peru

DM182

David Brian Mayhuay Guzman

@davidbrianmayhuayguzman

Yungay, Peru

DM182

David Brian Mayhuay Guzman

@davidbrianmayhuayguzman

Yungay, Peru

DM182

David Brian Mayhuay Guzman

@davidbrianmayhuayguzman

Yungay, Peru

4.1 - Función de pérdida

3.5 - La matriz de confusión

3.4 - Validación y medición de la eficiencia de la red

3.3 - Compilación y entrenamiento de la red neuronal

3.2 - Diseño de la arquitectura de red y codificación en python con tensorflow

3.1 - Planteamiento del problema de clasificación

DM182

David Brian Mayhuay Guzman

@davidbrianmayhuayguzman

Yungay, Peru

4.1 - Función de pérdida

3.5 - La matriz de confusión

3.4 - Validación y medición de la eficiencia de la red

3.3 - Compilación y entrenamiento de la red neuronal

3.2 - Diseño de la arquitectura de red y codificación en python con tensorflow

DM182

David Brian Mayhuay Guzman

@davidbrianmayhuayguzman

Yungay, Peru

4.1 - Función de pérdida

3.5 - La matriz de confusión

3.4 - Validación y medición de la eficiencia de la red

3.3 - Compilación y entrenamiento de la red neuronal

3.2 - Diseño de la arquitectura de red y codificación en python con tensorflow

DM182

David Brian Mayhuay Guzman

@davidbrianmayhuayguzman

Yungay, Peru

4.1 - Función de pérdida

3.5 - La matriz de confusión

3.4 - Validación y medición de la eficiencia de la red

3.3 - Compilación y entrenamiento de la red neuronal

3.2 - Diseño de la arquitectura de red y codificación en python con tensorflow

4.1 - Función de pérdida

3.5 - La matriz de confusión

3.4 - Validación y medición de la eficiencia de la red

3.3 - Compilación y entrenamiento de la red neuronal

3.2 - Diseño de la arquitectura de red y codificación en python con tensorflow

4.1 - Función de pérdida

3.5 - La matriz de confusión

3.4 - Validación y medición de la eficiencia de la red

3.3 - Compilación y entrenamiento de la red neuronal

3.2 - Diseño de la arquitectura de red y codificación en python con tensorflow

4.1 - Función de pérdida

3.5 - La matriz de confusión

3.4 - Validación y medición de la eficiencia de la red

3.3 - Compilación y entrenamiento de la red neuronal

3.2 - Diseño de la arquitectura de red y codificación en python con tensorflow

4.1 - Función de pérdida

3.5 - La matriz de confusión

3.4 - Validación y medición de la eficiencia de la red

3.3 - Compilación y entrenamiento de la red neuronal

3.2 - Diseño de la arquitectura de red y codificación en python con tensorflow

3.1 - Planteamiento del problema de clasificación

2.5 - Datos y operaciones con tensores, variables, constantes y tipos datos de tensorflow

2.3 - Conocimiento del IDE Spyder para programación con python

2.2 - Creación de un espacio virtual para instalar tensorflow, theano y keras

2.1 - Instalación de python y Anaconda, conocimiento del entorno

1.6 - Ejemplos y ejercicios con predicciones en problemas reales

1.5 - Problemas que se pueden resolver con redes neuronales

1.4 - Redes neuronales de aprendizaje profundo

1.3 - Aprendizaje en redes neuronales

1.2 - La función de activación

1.1 - ¿Qué es una neurona artificial?

4.6 - Aplicaciones de Redes Neuronales Artificiales.

4.5 - Práctica 1: Manos a la obra con las redes neuronales artificiales y TensorFlow. (Parte 2)

4.3 - Evaluando el rendimiento de las Redes Neuronales Artificiales

4.4 - Práctica 1: Manos a la obra con las redes neuronales artificiales y TensorFlow. (Parte 1)

3.1 - Planteamiento del problema de clasificación

2.5 - Datos y operaciones con tensores, variables, constantes y tipos datos de tensorflow

2.3 - Conocimiento del IDE Spyder para programación con python

2.2 - Creación de un espacio virtual para instalar tensorflow, theano y keras

2.1 - Instalación de python y Anaconda, conocimiento del entorno

1.6 - Ejemplos y ejercicios con predicciones en problemas reales

1.5 - Problemas que se pueden resolver con redes neuronales

1.4 - Redes neuronales de aprendizaje profundo

1.3 - Aprendizaje en redes neuronales

1.2 - La función de activación

1.1 - ¿Qué es una neurona artificial?

4.6 - Aplicaciones de Redes Neuronales Artificiales.

4.5 - Práctica 1: Manos a la obra con las redes neuronales artificiales y TensorFlow. (Parte 2)

4.3 - Evaluando el rendimiento de las Redes Neuronales Artificiales

4.4 - Práctica 1: Manos a la obra con las redes neuronales artificiales y TensorFlow. (Parte 1)

3.1 - Planteamiento del problema de clasificación

2.5 - Datos y operaciones con tensores, variables, constantes y tipos datos de tensorflow

2.3 - Conocimiento del IDE Spyder para programación con python

2.2 - Creación de un espacio virtual para instalar tensorflow, theano y keras

2.1 - Instalación de python y Anaconda, conocimiento del entorno

1.6 - Ejemplos y ejercicios con predicciones en problemas reales

1.5 - Problemas que se pueden resolver con redes neuronales

1.4 - Redes neuronales de aprendizaje profundo

1.3 - Aprendizaje en redes neuronales

1.2 - La función de activación

1.1 - ¿Qué es una neurona artificial?

4.6 - Aplicaciones de Redes Neuronales Artificiales.

4.5 - Práctica 1: Manos a la obra con las redes neuronales artificiales y TensorFlow. (Parte 2)

4.3 - Evaluando el rendimiento de las Redes Neuronales Artificiales

4.4 - Práctica 1: Manos a la obra con las redes neuronales artificiales y TensorFlow. (Parte 1)

3.1 - Planteamiento del problema de clasificación

2.5 - Datos y operaciones con tensores, variables, constantes y tipos datos de tensorflow

2.3 - Conocimiento del IDE Spyder para programación con python

2.2 - Creación de un espacio virtual para instalar tensorflow, theano y keras

2.1 - Instalación de python y Anaconda, conocimiento del entorno

1.6 - Ejemplos y ejercicios con predicciones en problemas reales

1.5 - Problemas que se pueden resolver con redes neuronales

1.4 - Redes neuronales de aprendizaje profundo

1.3 - Aprendizaje en redes neuronales

1.2 - La función de activación

1.1 - ¿Qué es una neurona artificial?

4.6 - Aplicaciones de Redes Neuronales Artificiales.

4.5 - Práctica 1: Manos a la obra con las redes neuronales artificiales y TensorFlow. (Parte 2)

4.3 - Evaluando el rendimiento de las Redes Neuronales Artificiales

4.4 - Práctica 1: Manos a la obra con las redes neuronales artificiales y TensorFlow. (Parte 1)