Tutoriales

Resumen:

Introducción a Convolutional Neural Network: Conceptos Básicos.

Resumen:

Deep reinforcement learning is the combination of reinforcement learning (RL) and deep learning. Currently, deep learning is enabling reinforcement learning to scale to problems that were previously intractable, such as learning to play video games directly from pixels. Thus, deep RL opens up many new applications in domains such as healthcare, robotics, smart grids, finance, and many more. This presentation provides an introduction to deep reinforcement learning models, algorithms and techniques.

Resumen:

• Muchos de los métodos tradicionales de redes neuronales como perceptrón multicapa, y varios métodos actuales de deep learning, buscan aproximarse a un estadístico como la media de una población (clase) de modo que cualquier nuevo ejemplo que esté lo suficientemente cerca de este estadístico sea clasificado dentro de esa clase. Estos métodos tratan de maximizar la verosimilitud de un conjunto de datos, es decir hallar el Máximo Likelihood y debido a que esté método puede generar overfitting, otro métodos utilizan el máximo a posteriori, lo que implica añadir una función de regularización a la función de pérdida permitiendo evitar el overfitting; sin embargo, en ambos casos, estos modelos se aproximan a valores específicos.
• Por otro lado, los modelos generativos, en lugar de aproximarse a un valor, intentan regenerar la verdadera función de distribución de los datos de de entrenamiento, lo cual permite generar nuevas muestras con ligeras variaciones. En este tutorial, hablaremos sobre uno de estos métodos conocido como Variational Autoencoders sus ventajas, desventajas y aplicaciones.

Resumen:

A brief introduction to deep learning for Natural Language processing and the evolution of the deep learning through the last years towards the novel state of the art transformer architectures which are the actual ground breaking neural network architecture that quickly became a new standard for NLP.