Información administrativa
| Título | Propagación a plazo |
| Duración | 60 |
| Módulo | B |
| Tipo de lección | Tutorial |
| Enfoque | Técnico — Aprendizaje profundo |
| Tema | Pase hacia delante |
Keywords
Pase hacia adelante, Pérdida,
Objetivos de aprendizaje
- Entender el proceso de un pase hacia adelante
- Entender cómo calcular una predicción de pase hacia adelante, así como la pérdida desenchufada
- Desarrollar un pase delantero sin módulos en Python (que no sea Numpy)
- Desarrollar un pase hacia adelante usando Keras
Preparación prevista
Eventos de aprendizaje que se completarán antes
Obligatorio para los estudiantes
Ninguno.
Opcional para estudiantes
- Multiplicación de matrices
- Empezar con Numpy
- Conocimiento de la regresión lineal y logística ([Lecture: Regresión lineal]
Referencias y antecedentes para estudiantes
- John D Kelleher y Brain McNamee. (2018), Fundamentos del aprendizaje automático para análisis de datos predictivos, MIT Press.
- Michael Nielsen. (2015), Redes neuronales y aprendizaje profundo, 1. Prensa de determinación, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Redes neuronales y aprendizaje profundo, 1. Springer
- Antonio Gulli, Sujit Pal. Aprendizaje profundo con Keras, Packt, [ISBN: 9781787128422].
Recomendado para profesores
Ninguno.
Material didáctico
- [Problema 1 (Imagen)]
- [Problema 2 y problema 3 (HTML)]
- Problema 2 y problema 3 (.ipynb)
Instrucciones para profesores
- Este tutorial presentará a los estudiantes los fundamentos de la propagación hacia adelante para una red neuronal artificial. Este tutorial consistirá en un pase hacia adelante usando lápiz y papel, usando Python con solo la biblioteca Numpy (para la manipulación de matrices) y luego usando KERAS. Esto se basará en la comprensión fundamental de qué funciones de activación se aplican a contextos de problemas específicos y cómo las funciones de activación difieren en la complejidad computacional y la aplicación desde lápiz y papel, para codificar desde cero usando Numpy y luego utilizando un módulo de alto nivel -> Keras.
- A los estudiantes se les presentarán tres problemas:
- Problema 1: (Ejemplo 1 de la conferencia -> Imagen sobre el RHS de este WIKI) y se le pide que realice un pase hacia adelante utilizando los siguientes parámetros (20 minutos para completar):
- Función de activación sigmoide para la capa oculta
- Función de activación sigmoide para la capa externa
- Función de pérdida de MSE
- Problema 2: (Ejemplo 1 de la conferencia), se les pedirá a los estudiantes (con orientación dependiendo de la experiencia de codificación previa) que desarrollen una red neuronal desde cero utilizando solo el módulo Numpy, y las funciones de peso y activación del problema 1 (que son las mismas que el Ejemplo 1 de la conferencia (20 minutos para completar).
- Problema 3: (Ejemplo 1 de la conferencia y usando el mismo ejemplo pero pesos aleatorios), se les pedirá a los estudiantes (con orientación dependiendo de la experiencia de codificación previa) que desarrollen una red neuronal utilizando el módulo Tensorflow 2.X con el módulo de Keras inbuild, y los pesos y funciones de activación del problema 1, y luego utilizando pesos aleatorios (que son los mismos que el Ejemplo 1 de la conferencia: 20 minutos para completar).
- Problema 1: (Ejemplo 1 de la conferencia -> Imagen sobre el RHS de este WIKI) y se le pide que realice un pase hacia adelante utilizando los siguientes parámetros (20 minutos para completar):
- Los subobjetivos para estos tres Problemas, es conseguir que los estudiantes se acostumbren a la estructura y aplicación de conceptos fundamentales (funciones de activación, topología y pérdida) para el aprendizaje profundo.
- Keras y TensorFlow 2.X se utilizan y se utilizarán para todos los ejemplos futuros.
Esquema
| Duración (Min) | Descripción |
|---|---|
| 20 | Problema 1: Implementación del bolígrafo y el papel de un pase hacia adelante (ejemplo de la conferencia) |
| 20 | Problema 2: Desarrollar una red neuronal desde cero usando Numpy (ejemplo de la conferencia) |
| 10 | Problema 3: Desarrollar una red neuronal a partir del uso de Keras (ejemplo de la conferencia con pesos establecidos y pesos aleatorios) |
| 10 | Resumen del proceso de pase hacia adelante |
Reconocimientos
El programa de maestría en IA centrada en el ser humano fue cofinanciado por el Mecanismo «Conectar Europa» de la Unión Europea en virtud de la subvención «CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068».