Intro to TensorFlow en Español

Go to Course: https://www.coursera.org/learn/intro-tensorflow-es

Introduction

### Course Review: Intro to TensorFlow en Español #### Overview The "Intro to TensorFlow en Español" course on Coursera is a comprehensive introduction to using TensorFlow 2.x and Keras for machine learning model development. This course is uniquely designed for Spanish speakers, ensuring that learners can grasp complex concepts in their preferred language. Through practical exercises and a well-structured syllabus, this course empowers students to compile, train, and implement machine learning models effectively. #### Course Content **1. Introduction to the Course** The course begins with an overview of TensorFlow 2.x, highlighting the ease-of-use features of Keras for compiling machine learning models. It lays down the foundational understanding necessary to design and compile effective data pipelines using TensorFlow, setting an excellent stage for the more advanced concepts to follow. **2. Introduction to TensorFlow** Here, students are introduced to the new paradigms of TensorFlow 2.x, including its hierarchical API structure, key components like tensors and variables. With hands-on exercises, learners grasp critical tools and constructs essential for building machine learning applications. **3. Designing and Compiling a Data Pipeline** This segment dives deeper into practical applications, teaching students how to handle datasets and attribute columns. The course covers the intricacies of loading various data types into TensorFlow, including NumPy arrays, images, text, and CSV files using Pandas. This foundational knowledge is crucial for anyone looking to harness the power of TensorFlow in real-world scenarios. **4. Training Neural Networks with TensorFlow 2 and Keras Sequential API** In this module, learners will create models using the Keras Sequential API. It reinforces understanding functions necessary for model accuracy, such as activation, loss, and optimization functions. The course also touches on how to deploy models for cloud predictions, a vital skill in today’s cloud-centric environment. **5. Training Neural Networks with TensorFlow 2 and Keras Functional API** Next, the course expands on the limitations of the Sequential API and introduces the Keras Functional API. This portion of the course allows students to create more complex models by understanding shared layers, multiple inputs and outputs, and acyclic graphs. This flexibility is essential for advanced model designs and helps students grasp the backend mechanics of model development. **6. Summary** The final module reinforces everything learned throughout the course. It reviews the main elements of TensorFlow discussed, ensures that foundational code practices are understood, and prepares learners to scale their machine learning models efficiently utilizing AI Platform in the cloud. #### Recommendations If you are a Spanish speaker keen to delve into the world of machine learning and artificial intelligence, I wholeheartedly recommend the "Intro to TensorFlow en Español" course on Coursera. Its engaging structure, comprehensive syllabus, and hands-on approach make it an excellent choice for both beginners and those looking to solidify their understanding of TensorFlow. The course thoughtfully builds from fundamental principles to more advanced topics, ensuring that learners not only understand the concepts but can also apply them effectively. Plus, the practical exercises mean that you’ll walk away with experience that will be invaluable as you continue on your machine learning journey. Whether you are a student, a tech enthusiast, or a professional looking to upskill, this course provides the essential tools you need to succeed. Take advantage of this opportunity to learn TensorFlow in your native language, and unlock new career opportunities in the field of machine learning!

Syllabus

Introducción al curso

Este curso es una introducción a TensorFlow 2.x, que incorpora la facilidad de uso de Keras para compilar modelos de aprendizaje automático. En este curso, se abarcarán el diseño y la compilación de una canalización de datos de entrada de TensorFlow 2.x., la compilación de modelos de aprendizaje automático con TensorFlow 2.x y Keras, la mejora en la exactitud de estos modelos y su correspondiente escritura para una utilización escalada.

Le mostraremos el nuevo paradigma de TensorFlow 2.x. Aprenderá sobre la jerarquía de la API de TensorFlow y conocerá los componentes principales de TensorFlow, los tensores y las variables, mediante ejercicios prácticos.

Le mostraremos cómo trabajar con conjuntos de datos y columnas de atributos. Adquirirá experiencia práctica en la carga de arreglos de NumPy, imágenes y datos de texto con tf.data.Dataset, así como de datos de CSV con Pandas. También adquirirá experiencia práctica en la creación de columnas de atributos numéricas, categóricas, agrupadas en depósitos y con hash.

En este módulo, le mostraremos cómo escribir modelos de TensorFlow con la API secuencial de Keras, pero, antes de sumergirnos en la escritura del modelo, hablaremos sobre las funciones de activación, pérdida y optimización. Luego, se le presentará la API secuencial de Keras para mostrarle cómo crear modelos de aprendizaje profundo. Además, aprenderá a implementar el modelo para la predicción en la nube.

En la mayoría de las situaciones, la API del modelo Sequential es ideal para desarrollar modelos de aprendizaje profundo, pero tiene algunas limitaciones. Por ejemplo, no define de forma directa los modelos que pueden tener varias fuentes de entrada o producir varios destinos de salida, como tampoco los modelos que reutilizan capas. La API funcional de Keras es una forma de crear modelos más flexibles que los de la API de tf.keras.Sequential. La API funcional procesa modelos con topología no lineal, capas compartidas, y varias salidas y entradas. La API funcional de Keras proporciona una forma más flexible de definir los modelos. Específicamente, le permite definir varios modelos de entrada y salida, así como los que comparten capas. Además, le permite definir grafos acíclicos de red ad hoc. La principal idea es que un modelo de aprendizaje profundo suele ser un grafo acíclico dirigido (DAG) de capas. Por lo tanto, la API funcional es una forma de compilar grafos de capas. En este módulo, también hablaremos sobre cómo la regularización puede ayudar con el rendimiento del modelo.

Haremos un resumen de los temas sobre TensorFlow que tratamos hasta aquí en este curso. Repasaremos el código principal de TensorFlow, la API de tf.data, las API secuencial y funcional de Keras, y finalizaremos con el escalamiento de sus modelos de aprendizaje automático mediante AI Platform de Cloud.