Notice: This code corresponds with a lecture at “Universidad Nacional del Centro de la Provincia de Buenos Aires”. Slides and further information can be found at my home page: https://sites.google.com/site/rodriguezjuanmanuel/talks/pre-enei-20. This information can be use freely, but please let me know if you use it. I also be really thankful for any correction or comment.

Para las librerías requeridas:

Python: https://www.python.org/

Numpy: http://www.numpy.org/

Theano: http://deeplearning.net/software/Theano/

Keras: http://Keras.io/

matplotlib: http://matplotlib.org/

scipy: https://www.scipy.org

Descripción de los scripts de ejemplo:

linealregresion.py: genera el ejemplo simple, y gráfica los datos y la curva 3x.

linealregresion_exp_param.py: genera el ejemplo simple, y prueba de forma exploratoria los multiplicadore para la regresión lineal.

linealregresion_sgd.py: implamentación del gradiete de MSE y la estrategia de gradient checking.

linealregresion_sgd_2.py: implementación de descenso por el gradiente (gradient descent) utilizando solo numpy.

linealregresion_sgd_Theano.py: implementación de descenso por el gradiente (gradient descent) utilizando Theano. digist.py: salva los primeros 10 dígitos de entrenamiento de MNIST a archivos jpeg.

digist_comp.py: imprime la matriz que representa al primer dígito en el conjunto de entrenamiento de MNIST.

digist_lr_Theano_reg.py: intento de utilizar regresión lineal para predecir dígitos de MNIST (muy malos resultados) basado en Theano.

digist_lr_Theano.py: utilización de regresión lineal para realizar 10 clasifica binarias (una por cada dígito posible) basado en Theano. One-vs-the-rest.

digist_lr.py: utilización de regresión lineal para realizar 10 clasifica binarias (una por cada dígito posible) basado en Keras. One-vs-the-rest.

digist_logr_Theano.py: utilización de regresión logística para realizar 10 clasifica binarias (una por cada dígito posible) basado en Theano. One-vs-the-rest. No se encuentra en los slides, pero por completitud se agrega. Diferencias: función de error y función de ajuste ahora es sigmoide.

digist_logr.py: utilización de regresión logística para realizar 10 clasifica binarias (una por cada dígito posible) basado en Keras. One-vs-the-rest. No se encuentra en los slides, pero por completitud se agrega. Diferencias: función de error y función de ajuste ahora es sigmoide.

digist_ann.py: red neuronal densa para clasificar MNIST, función de error MSE y SGD (stocastic gradiant descent).

digist_ann_2.py: red neuronal densa para clasificar MNIST, función de error categorical crossentropy y rmsprop.

digist_conv.py: red neuronal convolucional para clasificar MNIST, función de error categorical crossentropy y rmsprop.

digist_conv_2.py: red neuronal convolucional y max pooling para clasificar MNIST, función de error categorical crossentropy y rmsprop.