Función de Costo - Cross Entropy - REDES NEURONALES - (Parte 4)
HTML-код
- Опубликовано: 18 сен 2024
- En este video, continúo con la introducción a Deep Learning y presento la función de pérdida utilizada en combinación con Softmax. Esta función permite medir cuantitativamente qué tan adecuados son nuestros parámetros actuales W y b. Mientras más se aleje nuestra predicción del valor correspondiente a la clase correcta para un ejemplo particular, mayor será dicha pérdida. Al promedio de los valores de pérdida para cada ejemplo o muestra en nuestro set de datos, se le llama función de Costo, y estrictamente, esta función de costo es la que tratamos de minimizar. En el siguiente video, mostraré cómo utilizar cálculo para minimizar el valor actual de la función de costo.
Acerca de la serie Fundamentos de Deep Learning con Python y PyTorch:
En esta serie de videos explico qué son las Redes Neuronales (Neural Networks) y qué es Aprendizaje Computacional (Machine Learning) así como Deep Learning. Empezamos con los principios matemáticos fundamentales hasta su implementación en código. Para esto, primero utilizaremos Python y Numpy para entender los principios de programación de Redes Neuronales incluyendo el algoritmo de retropropagación (backpropagation). Con estas bases, presentaremos el framework PyTorch y construiremos modelos más complejos como son Redes Neuronales Convolucionales (Convolutional Neural Networks - CNNs).
About the video series:
In this video series I will explain what Neural Networks are, and how Deep Neural Networks work, from the mathematical principles to their implementation in code. Firstly, we will use pure Python and Numpy to understand the fundamentals including backpropagation for a simple Fully Connected Network, and from there we will build on to Convolutional Neural Networks (CNN) using PyTorch. I will be uploading at least one new video every week until we reach different architectures of CNNs. Then, depending on the response and interest in the series I may cover newer models using Generative Adversarial Networks (GANs), and Recurrent Neural Networks.
Apenas llevaré con usted la materia de Deep Learning, me he puesto a ver su lista sobre este tema y vaya que es increíble. Realmente es de las mejores formas que he encontrado la explicación y funcionamiento de redes neuronales. Agradezco mucho que haga este contenido, me ha ayudado a entender varios conceptos clave que antes consideraba complicados de entender.😎🤖
Qué crack! Se nota que eres un capo! Gracias por compartir vuestros conocimientos. Sigue así!
De verdad muchísimas gracias!!! Espero muy pronto estar generando nuevo contenido, hay muchísimos temas que cubrir!!!! Muchos saludos!
@@PepeCantoralPhDestamos, desde ya, esperando sus contenidos.
Excelente explicación.
Todo quedó muy claro.
🫶🏽
Muchas gracias por tu comentario! Saludos!
Excelente video muy bien explicado. Gracias Pepe
¡Muchas gracias!
¡Me encanto la simplicidad del ejemplo! ¡Eres genial! Has ganado una nueva fan 🙂
¿Puedes hacer un video sobre ARIMA Vs LSTM para series de tiempo? Por fis!!!
Esta es la mejor lista de vídeos que he encontrado en youtube sobre deep learning. Gracias por tu trabajo amigo, un abrazo desde España .
Muchas gracias por tu comentario, de verdad me motiva muchísimo! Saludos y hasta pronto!
llevo 4 videos... Y lo que me parecia que seria muy compliado, lo haces muy entendible. Sabes por que, por que se siente la PASION que tienes por las matematicas y la neurociencia. De verdad Sr. Cantoral, me quito el sombrero y como todos en este canal te doy las GRACIAS!
esta es la mejor explicación que he encontrado sobre deep Learning
Muchísimas gracias por tu comentario! Me motiva mucho para seguir. Espero pronto estar publicando nuevo contenido! Muchos saludos!
Grandes explicaciones!!!
Muchas gracias por tu comentario! Te mando muchos saludos y te deseo muy felices fiestas! Hasta pronto!
Sigo con esta maratón de 53 videos!
5/53 vistos. Tema difícil este, pero muy claro!!
Gracias infinitas.
Muchas gracias por tu apoyo al canal! Lo aprecio muchísimo! Saludos
Excelentes videos Pepe, los mejores que he podido ver. Sigue adelante.
Esta lista es videos es increíble, espero seguir viendo más contenido.
me encanto! sigue adelante!
Muchas gracias! Espero pronto estar publicando nuevo contenido!
Que buenos videos ahora entiendo mejor las cosas muchas gracias por el contenido
Muchas gracias! Espero pronto estar publicando nuevo contenido! Muchos saludos
Súper bien explicado,gracias por el aporte que estás realizando a la comunidad, saludos desde GDL
Buenisimo!! estoy aprendiendo mucho con tus videos; más que en la universidad. Saludos desde Lima, Perú.
Yordan, muchas gracias por tu comentario y el apoyo al canal. Me motiva mucho a continuar publicando contenido relacionado a estos temas tan apasionantes. Muchos saludos y hasta pronto!
Hola, la mejor explicación que hé visto , de lejos !!! ............. ¿Das cursos en alguna plataforma? o talvez clases personales? Además, nos podrías compartir alguna referencia de donde sacaste las formulas? estaría genial !! , muchas gracias :)
De verdad muchas gracias por tu comentario! Soy Profesor-investigador en México, de ahí mi intención es hacer todo de acceso libre, por lo que no tengo cursos en otra plataforma. Estoy haciendo tiempo para preparar mi curso en NLP, que espero empezar a publicar pronto en este canal. Muchas gracias y muchos saludos
@@PepeCantoralPhD Muchas gracias!! De verdad tus videos son un recurso valiosísimo, gracias por compartirlo con nosotros, en lo personal me han ayudado muchísimo. Mil gracias!!!
Me gustaría aclarar una cosa que no se menciona en el vídeo: esta función de pérdidas no es mas que un caso específico de aplicar la divergencia de kullback-leibler sobre el vector de salida de la red (una vez aplicado softmax) y conocida la verdadera distribución de los datos, que como solo pueden pertenecer a una única clase se presenta en la forma de hot-vector.
Por fin entendí cross entropy loss. Gracias.
Muchas gracias por tu comentario, me da mucho gusto que te haya sido útil. Saludos y hasta pronto!
De los mejores videos que he visto, muchas gracias ;)
Muchas gracias! Tu comentario me motiva mucho para continuar publicando. Saludos!
Fantastico video,gracias.
Muchas gracias por tu comentario y apoyo! Espero continuar publicando videos que sean de interés. Saludos!
grande
Muchas gracias!
Sos un crack
Muchas gracias José Luis, de verdad me motiva muchísimo tu comentario. Muchos saludos!!
Hola, una pregunta: ¿Qué curso o línea de las matemáticas me recomiendas aprender para entender mejor esto?
Hola debes estudiar Algebra Lineal!