Aprendizaje automático — Guía de aprendizaje
Aprendizaje automático — Una ruta estructurada de robótica, control, agricultura en entornos controlados, energía y electrónica de potencia.
Una ruta estructurada de robótica, control, agricultura en entornos controlados, energía y electrónica de potencia.
- Fundamentals · 6 min de lectura
Introducción al aprendizaje automático: Fundamentos — Diseño de datos, pérdida y generalización
El aprendizaje automático no se limita a la selección de modelos: implica definir la tarea, la división de datos, la función de pérdida, la evaluación y los cambios en la implementación.
- Fundamentals · 6 min de lectura
Introducción al aprendizaje automático: Conceptos básicos de redes neuronales
Las redes neuronales combinan transformaciones afines y activaciones no lineales, y luego reducen la pérdida mediante retropropagación y optimización basada en gradientes.
- Fundamentals · 18 min de lectura
Introducción a la detección de objetos y la segmentación semántica: Cómo interpretar "Qué hay dónde" a partir de una imagen.
La detección de objetos dibuja recuadros alrededor de los elementos; la segmentación semántica colorea cada píxel según su significado. Desde la diferencia entre ambas, pasando por la segmentación de instancias y la panóptica, hasta la evolución de R-CNN a YOLO, DETR y DINO, y sus contrapartes en nubes de puntos 3D, se ofrece un recorrido sistemático por los fundamentos de la comprensión de escenas.
- Fundamentals · 13 min de lectura
Explicación detallada de YOLO11: ¿Qué cambios introdujeron C3k2 y C2PSA con respecto a YOLOv8?
Analice en detalle Ultralytics YOLO11 utilizando documentación oficial y fuentes primarias: C3k2, C2PSA, detección sin anclaje, pérdidas DFL/CIoU y puntos de referencia medidos para n/s/m/l/x.
- Fundamentals · 11 min de lectura
Una guía completa de SegFormer: por qué un transformador sin codificación posicional funciona para la segmentación.
Este artículo analiza en detalle SegFormer, presentado por NVIDIA, la Universidad de Hong Kong y colaboradores en NeurIPS 2021, basándose en el artículo original. Examinamos el codificador jerárquico MiT sin codificación posicional, el decodificador All-MLP de parámetros eficientes, el campo receptivo efectivo y el mIoU medido, el recuento de parámetros y los cálculos desde B0 hasta B5 mediante ecuaciones.
- Fundamentals · 6 min de lectura
Introducción al aprendizaje automático: Estimación de la pose
La estimación de pose infiere puntos clave de personas u objetos y pose 6D a partir de imágenes. Esta introducción abarca coordenadas, pérdidas, oclusión, evaluación y seguridad.
- Fundamentals · 6 min de lectura
Introducción al aprendizaje automático: Modelos generativos
Los modelos generativos representan distribuciones de datos y crean resultados condicionales. Aprenda sobre probabilidad, VAE, GAN, difusión, evaluación, procedencia y seguridad.
- Hands-on · 3 min de lectura
Evaluación comparativa de LLM locales: primera respuesta, tasa de generación y memoria.
Mida el contenido de la primera respuesta por separado de la tasa de generación y el control. residency, caching and memory conditions.