PyTorch
PyTorch es el marco de trabajo para el aprendizaje profundo, ¡así que sumérjase en él! Aprenda a entrenar, optimizar e implementar modelos de IA con PyTorch siguiendo ejercicios prácticos y código de ejemplo. Aprenderás a utilizar PyTorch para la regresión lineal, la clasificación, el procesamiento de imágenes, los sistemas de recomendación, los autoencoders, las redes neuronales gráficas, las predicciones de series temporales y los modelos de lenguaje: todo lo esencial. A continuación, evalúa e implementa tus modelos utilizando herramientas clave como MLflow, TensorBoard y FastAPI. Con información sobre cómo ajustar tus modelos con HuggingFace y reducir el tiempo de entrenamiento con PyTorch Lightning, ¡esta guía práctica es justo lo que necesitas!
- Entrene, ajuste e implemente modelos de aprendizaje profundo con PyTorch
- Implemente modelos para regresión lineal, clasificación, visión por computadora, sistemas de recomendación y mucho más
- Trabaje con PyTorch Lightning, TensorBoard, LangChain y FastAPI
Aprenderás sobre:
- Teoría:
Adquiera una base sólida sobre los conceptos que hay detrás de sus modelos. Tanto si desea comprender cómo una matriz de confusión o una curva ROC le ayudan a evaluar un modelo de clasificación como si quiere entender cómo funcionan los algoritmos de los sistemas de recomendación, esta guía le proporcionará toda la información que necesita.
- Práctica:
Vaya más allá de la teoría con ejercicios prácticos y código. Cree conjuntos de datos para sus modelos de regresión lineal, utilice la difusión para crear imágenes realistas a partir del ruido, procese datos secuenciales con redes neuronales recurrentes y mucho más.
- Implementación y evaluación:
Supervise su proceso de entrenamiento, visualice métricas y evalúe modelos con herramientas como MLflow y TensorBoard. Implemente modelos en sus instalaciones con FastAPI o en la nube con Heroku.
Aspectos Destacados:
- Aprendizaje profundo
- Regresión lineal
- Clasificación
- Visión computacional
- Sistemas de recomendación
- Autoencoders
- Redes neuronales gráficas (GNN)
- Predicciones de series temporales
- Modelos de lenguaje
- Redes preentrenadas
- Evaluación e implementación
- PyTorch Lightning
Ver Tabla de Contenidos Completa
PyTorch
PyTorch is the framework for deep learning—so dive on in! Learn how to train, optimize, and deploy AI models with PyTorch by following practical exercises and example code. You’ll walk through using PyTorch for linear regression, classification, image processing, recommendation systems, autoencoders, graph neural networks, time series predictions, and language models—all the essentials. Then evaluate and deploy your models using key tools like MLflow, TensorBoard, and FastAPI. With information on fine-tuning your models using HuggingFace and reducing training time with PyTorch Lightning, this practical guide is the one you need!
- Train, tune, and deploy deep learning models with PyTorch
- Implement models for linear regression, classification, computer vision, recommendation systems, and more
- Work with PyTorch Lightning, TensorBoard, LangChain, and FastAPI
You'll learn about:
- Theory:
Get a thorough grounding in the concepts behind your models. Whether you’re looking to understand how a confusion matrix or ROC curve helps you evaluate a classification model or you want to grasp how recommendation system algorithms function, this guide has got you covered.
- Practice:
Move beyond theory with hands-on exercises and code. Create datasets for your linear regression models, use diffusion to create realistic images from noise, process sequential data with recurrent neural networks, and more.
- Deployment and Evaluation:
Monitor your training process, visualize metrics, and evaluate models with tools like MLflow and TensorBoard. Deploy models on-premise with FastAPI or in the cloud with Heroku.
Key Highlights:
- Deep learning
- Linear regression
- Classification
- Computer vision
- Recommendation systems
- Autoencoders
- Graph neural networks (GNNs)
- Time series predictions
- Language models
- Pretrained networks
- Evaluation and deployment
- PyTorch Lightning
View Full Table of Contents
