Colección de ejemplos en Jupyter Notebook que implementan arquitecturas de deep learning y consejos de entrenamiento en PyTorch y TensorFlow.
17,6 mil4,1 milJupyter NotebookMITActualizado el mes pasado
udacity/deep-learning
Colección de tutoriales y proyectos en notebooks de Jupyter para el programa Udacity Deep Learning Nanodegree Foundation, con redes neuronales, RNN, GAN y más.
- Estrellas
- 4,059
- Forks
- 4,381
- Issues abiertos
- 3
- Último commit
- hace 12 días
¿Qué es?
Este repositorio contiene los notebooks de tutoriales y proyectos del programa Udacity Deep Learning Nanodegree Foundation. La mayoría de los tutoriales muestran cómo implementar modelos como redes convolucionales, redes recurrentes y GAN, mientras que otros tratan temas como la inicialización de pesos y la normalización por lotes.
Los tutoriales abarcan desde un modelo de análisis de sentimientos creado con NumPy hasta introducciones a TensorFlow, TFLearn y TensorBoard. Otros notebooks tratan autoencoders, aprendizaje por transferencia con VGG, embeddings de Word2Vec, modelos sequence-to-sequence y deep Q-learning en un juego de OpenAI Gym.
Los notebooks de proyectos incluyen un predictor de alquiler de bicicletas en NumPy, clasificación de imágenes CIFAR-10, generación de texto, traducción automática del inglés al francés y generación de rostros con una DCGAN en CelebA. Cada directorio incluye su propio requirements.txt y la carpeta environments contiene archivos de entorno de Conda.
Funciones clave
- 01Notebooks de tutoriales sobre CNN, RNN, GAN, autoencoders y aprendizaje por refuerzo
- 02Implementaciones en NumPy, TensorFlow y TFLearn
- 03Cinco notebooks de proyectos, incluidos proyectos de clasificación de imágenes y traducción automática
- 04Archivos requirements.txt en cada directorio para instalar paquetes con pip
- 05Archivos de entorno de Conda, con variantes independientes para GPU
Casos de uso
- Aprender deep learning implementando modelos paso a paso en Jupyter
- Estudiar los fundamentos de TensorFlow con notebooks introductorios
- Practicar con implementaciones de GAN, RNN o Word2Vec
- Realizar los proyectos del Nanodegree fuera del curso
Inicio rápido
- 1
Elige un tutorial o una carpeta de proyecto en el índice
- 2
Instala con pip las dependencias de esa carpeta
pip3 install -r requirements.txt
Antes de usarlo
- Los archivos de entorno de Conda dependen de la plataforma, así que quizá necesites el que corresponda a tu sistema.
- El material está basado en el programa Udacity Nanodegree y es una colección de notebooks, no una biblioteca empaquetada.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es deep-learning?
- Colección de tutoriales y proyectos en notebooks de Jupyter para el programa Udacity Deep Learning Nanodegree Foundation, con redes neuronales, RNN, GAN y más. Este repositorio contiene los notebooks de tutoriales y proyectos del programa Udacity Deep Learning Nanodegree Foundation. La mayoría de los tutoriales muestran cómo implementar modelos como redes convolucionales, redes recurrentes y GAN, mientras que otros tratan temas como la inicialización de pesos y la normalización por lotes.
- ¿deep-learning es gratuito? ¿Qué licencia tiene?
- deep-learning es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿deep-learning sigue mantenido?
- Mantenimiento activo. El último commit de deep-learning fue el 27 oct 2026.
- ¿Para qué puedo usar deep-learning?
- Aprender deep learning implementando modelos paso a paso en Jupyter Estudiar los fundamentos de TensorFlow con notebooks introductorios Practicar con implementaciones de GAN, RNN o Word2Vec Realizar los proyectos del Nanodegree fuera del curso
- ¿Cómo se instala deep-learning?
- Elige un tutorial o una carpeta de proyecto en el índice Instala con pip las dependencias de esa carpeta: pip3 install -r requirements.txt
- ¿Dónde consigo deep-learning?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/udacity/deep-learning
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Un plan de estudios de IA para principiantes de Microsoft, de 12 semanas y 24 lecciones, que abarca IA simbólica, redes neuronales, visión por computadora, NLP y ética, con notebooks en PyTorch y TensorFlow.
Recursos de aprendizaje#artificial-intelligence#machine-learning#deep-learning#neural-networks#computer-vision
70,6 mil+218 esta semana13,7 milJupyter NotebookMITActualizado hace 3 días
Keras 3 es un framework de deep learning que funciona con JAX, TensorFlow, PyTorch u OpenVINO para inferencia.
64,4 mil+8 esta semana19,8 milPythonApache-2.0Bien mantenidoActualizado ayer
Acelerador multiplataforma para ejecutar modelos de ML exportados al formato ONNX, con compatibilidad para entrenar mediante scripts de PyTorch.
22,3 mil+60 esta semana4,4 milC++MITActualizado hace 4 horas
Imagen de Docker que ofrece JupyterLab con GPU, PyTorch, TensorFlow y herramientas de ciencia de datos para trabajar con deep learning de forma reproducible.
768238Jupyter NotebookApache-2.0Actualizado hace 3 meses
Recurso educativo de OpenAI para aprender deep reinforcement learning, con introducciones, artículos clave, ejercicios e implementaciones breves de algoritmos.
12 mil2,5 milPythonMITActualizado hace 2 años