Estos apuntes son una traducción de los originales en inglés que se pueden encontrar aquí. Son un suplemento del curso de Stanford CS CS231n: Convolutional Neural Networks for Visual Recognition.
Si tiene alguna pregunta o sugerencia sobre la traducción puede contactar con la autora. Si tiene alguna pregunta, sugerencia, o quiere informar sobre algún bug en las tareas contacte (en inglés) con Justin Johnson o bien, si es acerca delos apuntes originales, contacte con Andrej Karpathy. También puede, si lo desea, solicitar un pull request directamente al repositorio git repo.
Os animamos a utilizar la extensión hypothes.is para anotar los comentarios y poder discutir acerca de los apuntes entre líneas.
Si tiene alguna pregunta o sugerencia sobre la traducción puede contactar con la autora. Si tiene alguna pregunta, sugerencia, o quiere informar sobre algún bug en las tareas contacte (en inglés) con Justin Johnson o bien, si es acerca delos apuntes originales, contacte con Andrej Karpathy. También puede, si lo desea, solicitar un pull request directamente al repositorio git repo.
Os animamos a utilizar la extensión hypothes.is para anotar los comentarios y poder discutir acerca de los apuntes entre líneas.
Tareas Primavera 2019
Módulo 0: Preparación
Módulo 1: Redes Neuronales
Clasificación de Imágenes: Enfoque basado en Datos, k-Vecinos más cercanos, datos de entrenamiento/validación/test
L1/L2 distances, hyperparameter search, cross-validation
Clasificación lineal: SVM (Support Vector Machine), "Softmax"
parameteric approach, bias trick, hinge loss, cross-entropy loss, L2 regularization, web demo
Optimización: Stochastic Gradient Descent
optimization landscapes, local search, learning rate, analytic/numerical gradient
Intuición sobre "Backpropagation"
chain rule interpretation, real-valued circuits, patterns in gradient flow
Redes Neuronales Parte 1: Configurar una Arquitectura
model of a biological neuron, activation functions, neural net architecture, representational power
Redes Neuronales Parte 2: Datos y Función de Pérdida
preprocessing, weight initialization, batch normalization, regularization (L2/dropout), loss functions
Redes Neuronales Parte 3: Aprendizaje y Evaluación
gradient checks, sanity checks, babysitting the learning process, momentum (+nesterov), second-order methods, Adagrad/RMSprop, hyperparameter optimization, model ensembles
Caso de estudio: Una Red Neuronal Mínima
minimal 2D toy data example
Módulo 2: Redes Neuronales Convolucionales
Redes Neuronales Convolucionales: Arquitecturas, Convolución, Capas "Pooling"
layers, spatial arrangement, layer patterns, layer sizing patterns, AlexNet/ZFNet/VGGNet case studies, computational considerations
Comprender y Visualizar Redes Neuronales Convolucionales
tSNE embeddings, deconvnets, data gradients, fooling ConvNets, human comparisons