Esta super chido que de manera más didactica a través de ejemplos visuales complementes los conceptos Doc.., como siempre super bien explicado e interesante ... ¡thanks for the effort in explaining! ✌🏻
Uff , menudo aporte. Tus videos tienen un nivel de profundidad y claridad que no es común ver n TH-cam en este tema. Muchos canales se enfocan en enseñarte a usar las librerías de python y solo dan pinceladas de los conceptos matemáticos. Tus videos son geniales. Espero que este canal progrese.
¡Que bárbaro!, espectacular contenido, voy en maratón de 31 videos sin parar. Sabía ciertas cosas, otras las reforcé a nivel de implementación en programación. Un contenido muy bien explicado.
Te agradezco enormemente el apoyo al canal. Estoy tratando de subir videos más seguido, por lo pronto los de redes neuronales convolucionales espero poder publicarlos con menor tiempo entre partes. Muchas gracias y te mando muchos saludos!!
Muchas gracias Pepe, es un gran video. No sabía que el stride podía ser distinto a uno. Consulta, por que los kernel utilizan tamaños chiquitos por ejemplo 3*3 o 5*5?
Como siempre, muchísimas gracias por el apoyo Leonardo!! Excelente pregunta. La aplicación de filtros en procesamiento digital de señales y en este caso procesamiento digital de imágenes, así como varios algoritmos en visión computacionales trabajan asumiendo que en una imagen, un pixel determinado en expectativa es más parecido a sus vecinos (otros pixeles) más próximos que a los más lejanos. Por esto, si tomamos un ejemplo en particular de un filtro para suavisar una imagen, que reemplace el valor de un pixel por el promedio de 9 pixeles (con un kernel de 3x3), estos 9 pixeles (8 en realidad ya que el del centro es el mismo pixel) son en expectativa más parecidos al pixel que van a reemplazar, que si tomaramos un filtro de 11x11 o 15x15, etc. En este sentido, las CNNs siguen una lógica similar, un filtro relativamente pequeño ayuda a conservar esta relación espacial que se espera exista entre pixeles cercanos. Filtros más grandes podrían alterar los resultados de los filtros, ya que tal vez estarían considerando pixeles con características diferentes. Espero esto aclare un poco tu pregunta. De nuevo muchas gracias por tu comentario y muchos saludos!!!!
Gracias excelente explicación, tal vez tienes algún documento donde se explique el uso de CNN en series de tiempo, entiendo que en una imagen busca características (verticales, horizontales, etc), pero en una serie de tiempo que busca?
Hola Felipe!! Muchas gracias por tu comentario, no tengo un documento en este sentido, pero en series de tiempo las CNN pueden encontrar patrones temporales, usualmente con CNNs de una dimensión en vez de 2D (cómo en imágenes). Estos patrones no son tan definidos como líneas y formas geométricas como en una imagen, en este caso dependen de la información en la serie de tiempo. Muchos saludos y mucho éxito. Hasta pronto!
Muchas gracias Kevin y una disculpa por la demora en responder, se llama Xournal++, es open source y funciona en distintos sistemas operativos, incluyendo distros de Linux. Lo recomiendo mucho. Saludos y hasta pronto!
![The moment we stopped understanding AI [AlexNet]](http://i.ytimg.com/vi/UZDiGooFs54/mqdefault.jpg)
Esta super chido que de manera más didactica a través de ejemplos visuales complementes los conceptos Doc.., como siempre super bien explicado e interesante ... ¡thanks for the effort in explaining! ✌🏻
Uff , menudo aporte. Tus videos tienen un nivel de profundidad y claridad que no es común ver n TH-cam en este tema. Muchos canales se enfocan en enseñarte a usar las librerías de python y solo dan pinceladas de los conceptos matemáticos. Tus videos son geniales. Espero que este canal progrese.
Ernesto, muchas gracias por tu comentario y apoyo al canal. Me llena de motivación para continuar publicando. Muchos saludos y hasta pronto!!!
¡Que bárbaro!, espectacular contenido, voy en maratón de 31 videos sin parar. Sabía ciertas cosas, otras las reforcé a nivel de implementación en programación. Un contenido muy bien explicado.
Muchísimas gracias por tu tiempo para ver el contenido y para dejar el comentario, los aprecio muchísimo! Muchos saludos y hasta pronto!
Excelente explicación pepe !! me resulto muy fácil entender los conceptos. Saludos desde Argentina y estaré atento a mas videos de tu canal.
Muchas gracias Guillermo! Tu comentario realmente me motiva muchísimo. Muchos saludos y hasta pronto!!!
Muchas gracias por tu explicación, de verdad fue muy clara, estoy partiendo en esto y me sirvió mucho👏
Muchas gracias por tu comentario! Muchos saludos!
Gracias por el video!! 🙌
Me encanta tus videos , creo que el valor del entendimiento matemático es invaluable!!! Deseo que subas más videos más seguido .un abrazo
Te agradezco enormemente el apoyo al canal. Estoy tratando de subir videos más seguido, por lo pronto los de redes neuronales convolucionales espero poder publicarlos con menor tiempo entre partes. Muchas gracias y te mando muchos saludos!!
Pepe, muchas gracias por el vídeo.
Gracias a tí Jorge por el apoyo al canal!!! Muchos saludos!
Muy bueno Pepe!muchas gracias
Muchas gracias por todo el apoyo! Muchos saludos!
Gracias, todo super
Muchas gracias!
Muy bueno tu vídeo, gracias.
Te agradezco muchísimo tus comentarios y apoyo al canal! Saludos!
Estimado, una consulta puedo aplicar redes convolucionales para predecir el rendimiento académico??
Excelente video !!! , Muy buen aporte
Muchas gracias por tu comentario y el apoyo!!! Hasta pronto!!!
Muchas gracias Pepe, es un gran video.
No sabía que el stride podía ser distinto a uno.
Consulta, por que los kernel utilizan tamaños chiquitos por ejemplo 3*3 o 5*5?
Como siempre, muchísimas gracias por el apoyo Leonardo!! Excelente pregunta.
La aplicación de filtros en procesamiento digital de señales y en este caso procesamiento digital de imágenes, así como varios algoritmos en visión computacionales trabajan asumiendo que en una imagen, un pixel determinado en expectativa es más parecido a sus vecinos (otros pixeles) más próximos que a los más lejanos. Por esto, si tomamos un ejemplo en particular de un filtro para suavisar una imagen, que reemplace el valor de un pixel por el promedio de 9 pixeles (con un kernel de 3x3), estos 9 pixeles (8 en realidad ya que el del centro es el mismo pixel) son en expectativa más parecidos al pixel que van a reemplazar, que si tomaramos un filtro de 11x11 o 15x15, etc. En este sentido, las CNNs siguen una lógica similar, un filtro relativamente pequeño ayuda a conservar esta relación espacial que se espera exista entre pixeles cercanos. Filtros más grandes podrían alterar los resultados de los filtros, ya que tal vez estarían considerando pixeles con características diferentes. Espero esto aclare un poco tu pregunta. De nuevo muchas gracias por tu comentario y muchos saludos!!!!
@@PepeCantoralPhD Muchisimas gracias.
Podrias hacer un video de ressnet en pytorch, con data aleatoria
Gracias excelente explicación, tal vez tienes algún documento donde se explique el uso de CNN en series de tiempo, entiendo que en una imagen busca características (verticales, horizontales, etc), pero en una serie de tiempo que busca?
Hola Felipe!! Muchas gracias por tu comentario, no tengo un documento en este sentido, pero en series de tiempo las CNN pueden encontrar patrones temporales, usualmente con CNNs de una dimensión en vez de 2D (cómo en imágenes). Estos patrones no son tan definidos como líneas y formas geométricas como en una imagen, en este caso dependen de la información en la serie de tiempo.
Muchos saludos y mucho éxito. Hasta pronto!
Excelente vídeo 😎👍
Muchas gracias por tu comentario! Muchos saludos!!
Excelente!
Genial
Muchas gracias por tu apoyo al canal!! Saludos
Me podrías decir como se llama el programa donde tomas apuntes xd
Muchas gracias Kevin y una disculpa por la demora en responder, se llama Xournal++, es open source y funciona en distintos sistemas operativos, incluyendo distros de Linux. Lo recomiendo mucho. Saludos y hasta pronto!