Deep Learning Module

For the Spanish version click here

Repository Content

This repository contains my solution for the practical exercise of this module in which we were asked to implement various neural networks on an Airbnb DataSet, following the methodology and best practices explained throughout the Deep Learning module.

• MLP and CNN - Practica_Deep_Learning_Maximo_Lloris.ipynb
  
  
• Late Fusion Implementation - Practica_Deep_Learning_Late_Fusion.ipynb
  
  
• Early Fusion Implementation - Practica_Deep_Learning_Early_Fusion.ipynb
  
  

Module Content

1. Introduction to Deep Learning and TensorFlow

• Description: Introduction to the basic concepts of Deep Learning and how to implement them using TensorFlow.
• Key Points: TensorFlow setup, first steps with neural networks.

2. Neural Networks

• Description: Detailed exploration of neural networks, including configuration and training of models.
• Key Points: Network structure, optimization, and model tuning.

3. Advanced Deep Neural Networks

• Description: Delving into advanced techniques to enhance the performance of deep neural networks.
• Key Points: Regularization techniques, advanced optimization methods.

4. Convolutional Networks

• Description: Applications of convolutional networks in image analysis and computer vision.
• Key Points: CNN architectures, applications in image recognition.

5. Advanced Convolutional Networks

• Description: Extending the capabilities of convolutional networks with more complex techniques.
• Key Points: Inception networks, ResNet, practical applications in complex problems.

6. Hyper-parameter Optimization

• Description: Methods and strategies for optimizing hyper-parameters in Deep Learning models.
• Key Points: Grid search, random search, Bayesian optimization.

7. Recurrent Networks

• Description: Use of recurrent neural networks for the analysis of time series and other sequential data.
• Keying Points: LSTM, GRU, applications in natural language processing.

8. Unsupervised Learning

• Description: Unsupervised learning techniques applied in the context of Deep Learning.
• Key Points: Autoencoders, clustering, dimensionality reduction.
  
  
  
  

Módulo de Deep Learning

Para versión en inglés haz clic aquí

Contenido del repositorio

Este repositorio contiene mi solución para la práctica de este módulo en la cual se nos pedía implementar diverasas redes neuronales sobre un DataSet de Airbnb, siguiendo la metodología y buenas prácticas explicadas a lo largo del módulo de Deep Learning.

• Red MLP y redes CNN - Practica_Deep_Learning_Maximo_Lloris.ipynb
  
  
• Implementacion de Late Fusion - Practica_Deep_Learning_Late_Fusion.ipynb
  
  
• Implementación de Early Fusion - Practica_Deep_Learning_Early_Fusion.ipynb

Contenido del módulo.

1. Introducción al Deep Learning y TensorFlow

• Descripción: Introducción a los conceptos básicos de Deep Learning y cómo implementarlos usando TensorFlow.
• Puntos clave: Configuración de TensorFlow, primeros pasos con redes neuronales.

2. Redes Neuronales

• Descripción: Exploración detallada de las redes neuronales, incluyendo la configuración y entrenamiento de modelos.
• Puntos clave: Estructura de redes, optimización y ajuste de modelos.

3. Ampliación de Redes Neuronales Profundas

• Descripción: Profundización en técnicas avanzadas para mejorar el rendimiento de las redes neuronales profundas.
• Puntos clave: Técnicas de regularización, métodos de optimización avanzados.

4. Redes Convolucionales

• Descripción: Aplicaciones de redes convolucionales en el análisis de imágenes y visión por computadora.
• Puntos clave: Arquitecturas de CNN, aplicaciones en reconocimiento de imágenes.

5. Redes Convolucionales Avanzadas

• Descripción: Extendiendo las capacidades de las redes convolucionales con técnicas más complejas.
• Puntos clave: Redes Inception, ResNet, aplicaciones prácticas en problemas complejos.

6. Optimización de Hiper-parámetros

• Descripción: Métodos y estrategias para la optimización de hiper-parámetros en modelos de Deep Learning.
• Puntos clave: Grid search, random search, optimización bayesiana.

7. Redes Recurrentes

• Descripción: Uso de redes neuronales recurrentes para el análisis de series temporales y otros datos secuenciales.
• Puntos clave: LSTM, GRU, aplicaciones en procesamiento de lenguaje natural.

8. Unsupervised Learning

• Descripción: Técnicas de aprendizaje no supervisado aplicadas en el contexto de Deep Learning.
• Puntos clave: Autoencoders, clustering, reducción de dimensionalidad.