Redes Neuronales Convolucionales / Convolutional Neural Networks (CNN) – Parte 1

Finalmente llegamos a uno de los temas que más tenía ganas de llegar, Redes Neuronales Convolucionales / Convolutional Neural Networks (CNN). Las cuales son uno de los modelos de redes neuronale que más éxito han tenido debido a su sobresaliente desempeño en aplicaciones relacionadas con imágenes. Y a pesar de que no son un concepto nuevo, desde el 2012 han tenido gran impacto en diversas aplicaciones. En este video inicio explicando el concepto de convolución, para después usar este concepto y explicar cómo se integra una capa convolucional en una CNN, eso lo explicaré en el siguiente video.

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.
Momentum vs RMSprop vs ADAM ¿Cuál es mejor?

Referencias
O. Russakovsky et al., “ImageNet Large Scale Visual Recognition Challenge,” arXiv:1409.0575 [cs], Jan. 2015, Accessed: Jan. 07, 2021. [Online]. Available: http://arxiv.org/abs/1409.0575

A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks,” in Proceedings of the 25th International Conference on Neural Information Processing Systems - Volume 1, USA, 2012, pp. 1097–1105. Accessed: Jul. 23, 2018. [Online]. Available: http://dl.acm.org/citation.cfm?id=299...

Y. Lecun, L. Bottou, Y. Bengio, and P. Haffner, “Gradient-based learning applied to document recognition,” Proceedings of the IEEE, vol. 86, no. 11, pp. 2278–2324, Nov. 1998, doi: 10.1109/5.726791.

M. D. Zeiler and R. Fergus, “Visualizing and Understanding Convolutional Networks,” arXiv:1311.2901 [cs], Nov. 2013, Accessed: Jan. 29, 2021. [Online]. Available: http://arxiv.org/abs/1311.2901.

K. Simonyan, A. Vedaldi, and A. Zisserman, “Deep Inside Convolutional Networks: Visualising Image Classification Models and Saliency Maps,” arXiv:1312.6034 [cs], Apr. 2014, Accessed: Jan. 07, 2021. [Online]. Available: http://arxiv.org/abs/1312.6034.

Imágenes Convoluciones
'Vincent Dumoulin, Francesco Visin, MIT http://opensource.org/licenses/mit-li..., via Wikimedia Commons
Vincent Dumoulin, Francesco Visin, MIT http://opensource.org/licenses/mit-li..., via Wikimedia Commons
Vincent Dumoulin, Francesco Visin, MIT http://opensource.org/licenses/mit-li..., via Wikimedia Commons

Imagen Luna

Luc Viatour, CC BY-SA 3.0 http://creativecommons.org/licenses/b..., via Wikimedia Commons

Imagen Albert Einstein

Photograph by Orren Jack Turner, Princeton, N.J. Modified with Photoshop by PM_Poon and later by Dantadd., Public domain, via Wikimedia Commons