Curso a distancia (Online) de Deep Learning: redes neuronales con Tensorflow y Python

Descripción

Este Curso a distancia (Online) de Deep Learning: redes neuronales con Tensorflow y Python te dará a conocer los fundamentos de las redes neuronales de tal manera que se consigan ejecutar casos prácticos reales tanto para aprendizaje supervisado como no supervisado a partir de las librerías Tensorflow y Keras con lenguaje Python.

El objetivo de este curso es brindar una guía fácil de entender para que puedas acometer tus proyectos de inteligencia artificial con técnicas Deep Learning y el framework Tensorflow / Keras y Python.

Este curso tendrá un enfoque eminentemente práctico, cada bloque contendrá casos prácticos explicados paso a paso para que entiendas y apliques de inmediato el proceso a seguir en un proyecto de Deep Learning.

Aprenderás desde cero todo lo necesario para convertirte en un maestro de Deep Learning, instalaremos paso a paso el framework de Python y las librerías necesarias para que finalmente seas capaz de crear redes neuronales artificiales (ANN), redes neuronales convolucionales (CNN) para tratamiento de imágenes, redes neuronales recurrentes (RNN) para trabajar con secuencias de datos como previsiones temporales y redes neuronales en aprendizaje no supervisado para desarrollar proyectos de clusterización, detección de anomalías, etc.

Al finalizar conseguirás dominar la tecnología más puntera de Deep Learning, lo cual supone obtener una habilidad muy importante para poder destacar sobre el resto y conseguir sacar el máximo provecho de los datos y de tu tiempo con inteligencia artificial.

Puedes ver aquí un vídeo de presentación del curso:

Características

Curso a distancia (Online) de Deep Learning: redes neuronales con Tensorflow y Python, de 40 horas de duración.
Al finalizar el curso recibirás un Certificado Acreditativo.

• Tendrás 2 meses para completar el curso.
• Acceso a la plataforma de teleformación durante 24 horas al día, 7 días a la semana.
• Compatible con cualquier sistema operativo y dispositivo móvil.
• El curso incluye material en pdf, ejemplos, ejercicios prácticos y evaluaciones.
• Videos y recursos multimedia integrados en el curso.
• Tutoría online disponible.
• Ponte tu propio horario ya que el curso es online.
• Al finalizar, recibirás tu Certificación Acreditativa.

¿A quién va dirigido?

Este Curso a distancia (Online) va dirigido a científicos de datos que quieran aprender las tecnologías punteras de Machine Learning y Deep Learning y que quieran profundizar desde cero en el uso de las últimas versiones de Keras y Tensorflow 2, analistas de datos que quieran equiparse con un conocimiento avanzado para ejecutar sus proyectos de Machine Learning, estudiantes que quieran obtener habilidades que le abrirán puertas en el mercado laboral y la inteligencia artificial.

Temario del curso

TEMA 1. Introducción a Deep Learning
- ¿Qué es Machine Learning y Deep Learning?
- Instalación de entorno Python y librerías Deep Learning
- Aprendizaje supervisado
- ¿Qué es el overfitting / underfitting en el aprendizaje supervisado?
- Evaluación de rendimiento de modelos - Métricas de Clasificación
- Evaluación de rendimiento de modelos - Métricas de Regresión
- Aprendizaje no supervisado
- Resumen

TEMA 2. Redes neuronales artificiales (ANN) - Conceptos Fundamentales
- ¿Qué es una neurona y el modelo perceptrón?
- ¿Qué son las redes neuronales?
- Funciones de activación
- Funciones de activación en modelos multiclase
- Funciones de Coste y de Gradiente Descendente
- Propagación hacia atrás (backpropagation)
- Claves para crear redes neuronales efectivas
- ¿Qué nos proporciona Tensorflow y Keras?
- Resumen

TEMA 3. Redes neuronales artificiales (ANN) - Regresión con Keras y Tensorflow
- Regresión con Keras - Presentación caso práctico
- Regresión con Keras - Importación de librerías y fuentes
- Regresión con Keras - Análisis de datos (EDA) + Preprocesado (I)
- Regresión con Keras - Análisis de datos (EDA) + Preprocesado (II)
- Regresión con Keras - División Train / Test
- Regresión con Keras - Escalado
- Regresión con Keras - Creación de modelo
- Regresión con Keras - Entrenamiento del modelo
- Regresión con Keras - Evaluación y Predicción
- Resumen

TEMA 4. Redes neuronales artificiales (ANN) - Clasificación binaria con Keras y Tensorflow
- Clasificación binaria con Keras - Presentación caso práctico
- Clasificación binaria con Keras - Importación de librerías y fuentes
- Clasificación binaria con Keras - Análisis de datos (EDA) + Preprocesado
- Clasificación binaria con Keras - División Train / Test
- Clasificación binaria con Keras - Escalado
- Clasificación binaria con Keras - Creación de modelo
- Clasificación binaria con Keras - Entrenamiento del modelo
- Clasificación binaria con Keras - Evaluación y Predicción
- Resumen

TEMA 5. Redes neuronales artificiales (ANN) - Clasificación multiclase con Keras y Tensorflow
- Clasificación multiclase con Keras - Presentación caso práctico
- Clasificación multiclase con Keras - Importación de librerías y fuentes
- Clasificación multiclase con Keras - Análisis de datos (EDA) + Preprocesado (I)
- Clasificación multiclase con Keras - Análisis de datos (EDA) + Preprocesado (II)
- Clasificación multiclase con Keras - División Train / Test
- Clasificación multiclase con Keras - Escalado
- Clasificación multiclase con Keras - Creación de modelo
- Clasificación multiclase con Keras - Entrenamiento del modelo
- Clasificación multiclase con Keras - Evaluación y Predicción
- Clasificación multiclase con Keras - Monitorización con Tensorboard
- Resumen

TEMA 6. Redes neuronales convolucionales (CNN) - Clasificaciones imágenes blanco y negro
- Introducción a las redes neuronales convolucionales (CNN)
- ¿Qué son los filtros de imagen y los kernels?
- Capas convolucionales en una CNN
- Capas pooling en una CNN
- Clasificación imágenes Blanco y Negro - Presentación caso práctico
- Clasificación imágenes Blanco y Negro - Importación de librerías y fuentes
- Clasificación imágenes Blanco y Negro - Preprocesado
- Clasificación imágenes Blanco y Negro - Creación del modelo
- Clasificación imágenes Blanco y Negro - Entrenamiento del modelo
- Clasificación imágenes Blanco y Negro - Evaluación y Predicción
- Resumen

TEMA 7. Redes neuronales convolucionales (CNN) - Clasificaciones imágenes en color
- Clasificación imágenes RGB - Presentación caso práctico
- Clasificación imágenes RGB - Importación de librerías y fuentes
- Clasificación imágenes RGB - Preprocesado
- Clasificación imágenes RGB - Creación del modelo
- Clasificación imágenes RGB - Entrenamiento del modelo
- Clasificación imágenes RGB - Evaluación y Predicción
- Resumen

TEMA 8. Redes neuronales recurrentes (RNN)
- Introducción a las redes neuronales recurrentes (RNN)
- Neuronas LSTM
- Creación de batches en RNN
- Forecast RNN - Presentación caso práctico
- Forecast RNN - Importación de librerías y fuentes
- Forecast RNN - Preprocesado
- Forecast RNN - División Train / Test
- Forecast RNN - Escalado
- Forecast RNN - Creación Generador Serie Temporal
- Forecast RNN - Creación del modelo
- Forecast RNN - Entrenamiento del modelo
- Forecast RNN - Evaluación y Predicción
- Resumen

TEMA 9. Redes neuronales en Aprendizaje No Supervisado
- Introducción a las redes neuronales en aprendizaje no supervisado
- ¿Qué son los autoencoders en una red neuronal?
- NN No Supervisado - Presentación caso práctico
- NN No Supervisado - Importación de librerías y fuentes
- NN No Supervisado - Preprocesado
- NN No Supervisado - Escalado
- NN No Supervisado - Estimación número de clústeres
- NN No Supervisado - Creación del modelo
- NN No Supervisado - Entrenamiento del modelo
- NN No Supervisado - Evaluación y Predicción de clústeres
- Resumen