Curso online de Deep Learning: Redes Neuronales con Tensorflow y Python

El objetivo de este Curso online de Deep Learning: Redes Neuronales con Tensorflow y Python es proporcionar una guía fácil de entender para que puedas acometer tus proyectos de Inteligencia Artificial (IA) con técnicas Deep Learning y el framework Tensorflow / Keras y Python.

Este Curso online de Deep Learning: Redes Neuronales con Tensorflow y Python, de 40 horas de duración, te permitirá dominar las técnicas más avanzadas de Deep Learning (Aprendizaje Profundo) y crear potentes Redes Neuronales desde cero.

Aprenderás, desde el inicio, todo lo necesario para convertirte en un maestro de Deep Learning. Instalarás paso a paso el framework de Python y las librerías necesarias para llegar a 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 acometer proyectos de clusterización, detección de anomalías, etc.

Cómo crear un proyecto de Deep Learning

Al finalizar el curso, podrás crear potentes proyectos de Deep Learning a nivel profesional, siendo capaz de extraer el máximo provecho a los datos gracias a este tipo de machine learning.

El Deep Learning es un conjunto de algoritmos de aprendizaje automático que entrena a los sistemas para que aprendan por cuenta propia y realicen tareas al modo en que las hacemos los seres humanos, como el reconocimiento del habla, la identificación de imágenes o realizar predicciones.

Se trata de redes neuronales artificiales que intentan imitar el comportamiento del cerebro humano a partir del suministro de grandes cantidades de datos.

Crear redes neuronales a partir de Tensorflow y Keras con lenguaje Python

Este Curso online de Deep Learning: Redes Neuronales con Tensorflow y Python tiene un enfoque eminentemente práctico, en el que cada bloque contiene ejemplos y casos prácticos explicados paso a paso para que entiendas y apliques de inmediato el proceso a seguir en un proyecto de Deep Learning.

De este modo, aprenderás los fundamentos para crear redes neuronales efectivas ejecutando casos reales a partir de las librerías Tensorflow y Keras con lenguaje Python.

Consigue dominar la tecnología más puntera de Deep Learning y adquiere una especialización de gran demanda en el mercado laboral que te permitirá destacar sobre el resto de profesionales y conseguir sacar el máximo provecho de los datos con inteligencia artificial.

¿A quién se dirige este curso?

Este Curso online de Deep Learning: Redes Neuronales con Tensorflow y Python, con Certificado Acreditativo, va dirigido a científicos de datos que quieran aprender las tecnologías punteras de Machine Learning y Deep Learning o profundizar desde cero en el uso de las últimas versiones de Keras y Tensorflow 2.

También a analistas de datos que quieran adquirir un conocimiento avanzado para ejecutar sus proyectos de Machine Learning, estudiantes que deseen obtener habilidades para abrirse nuevas puertas en el mercado laboral y, en general, a cualquier persona que quiera predecir el futuro y crear potentes proyectos de inteligencia artificial para solucionar, a partir de datos, los diferentes problemas que existen en nuestro entorno.

Este curso cuenta con el Sello de Calidad en Contenidos eLearning ANCYPEL-AENOR, que garantiza la calidad de los contenidos utilizados en la formación online.

≡ Temario del Curso online de Deep Learning: Redes Neuronales con Tensorflow y Python

TEMA 1: Introducción a Deep Learning

1. ¿Qué es Machine Learning y Deep Learning?
2. Instalación de entorno Python y librerías Deep Learning
3. Aprendizaje supervisado
   • Proceso aprendizaje supervisado
4. ¿Qué es el overfitting / underfitting en el aprendizaje supervisado?
5. Evaluación de rendimiento de modelos – Métricas de Clasificación
   • Matriz de confusión el modelos de clasificación
6. Evaluación de rendimiento de modelos – Métricas de Regresión
7. Aprendizaje no supervisado

TEMA 2: Redes neuronales artificiales (ANN) – Conceptos Fundamentales

1. ¿Qué es una neurona y el modelo perceptrón?
2. ¿Qué son las redes neuronales?
3. Funciones de activación
4. Funciones de activación en modelos multiclase
5. Funciones de Coste y de Gradiente Descendente
6. Propagación hacia atrás (backpropagation)
7. Claves para crear redes neuronales efectivas
8. ¿Qué nos proporciona Tensorflow y Keras?

TEMA 3: Redes neuronales artificiales (ANN) – Regresión con Keras y Tensorflow

1. Regresión con Keras – Presentación caso práctico
2. Regresión con Keras – Importación de librerías y fuentes
3. Regresión con Keras – Análisis de datos (EDA) + Preprocesado (I)
4. Regresión con Keras – Análisis de datos (EDA) + Preprocesado (II)
5. Regresión con Keras – División Train / Test
6. Regresión con Keras – Escalado
7. Regresión con Keras – Creación de modelo
8. Regresión con Keras – Entrenamiento del modelo
9. Regresión con Keras – Evaluación y Predicción

TEMA 4: Redes neuronales artificiales (ANN) – Clasificación binaria con Keras y Tensorflow

1. Clasificación binaria con Keras – Presentación caso práctico
2. Clasificación binaria con Keras – Importación de librerías y fuentes
3. Clasificación binaria con Keras – Análisis de datos (EDA) + Preprocesado
4. Clasificación binaria con Keras – División Train / Test
5. Clasificación binaria con Keras – Escalado
6. Clasificación binaria con Keras – Creación de modelo
7. Clasificación binaria con Keras – Entrenamiento del modelo
8. Clasificación binaria con Keras – Evaluación y Predicción

TEMA 5: Redes neuronales artificiales (ANN) – Clasificación multiclase con Keras y Tensorflow

1. Clasificación multiclase con Keras – Presentación caso práctico
2. Clasificación multiclase con Keras – Importación de librerías y fuentes
3. Clasificación multiclase con Keras – Análisis de datos (EDA) + Preprocesado (I)
4. Clasificación multiclase con Keras – Análisis de datos (EDA) + Preprocesado (II)
5. Clasificación multiclase con Keras – División Train / Test
6. Clasificación multiclase con Keras – Escalado
7. Clasificación multiclase con Keras – Creación de modelo
8. Clasificación multiclase con Keras – Entrenamiento del modelo
9. Clasificación multiclase con Keras – Evaluación y Predicción
10. Clasificación multiclase con Keras – Monitorización con Tensorboard

TEMA 6: Redes neuronales convolucionales (CNN) – Clasificaciones imágenes blanco y negro

1. Introducción a las redes neuronales convolucionales (CNN)
2. ¿Qué son los filtros de imagen y los kernels?
3. Capas convolucionales en una CNN
4. Capas pooling en una CNN
5. Clasificación imágenes Blanco y Negro – Presentación caso práctico
6. Clasificación imágenes Blanco y Negro – Importación de librerías y fuentes
7. Clasificación imágenes Blanco y Negro – Preprocesado
8. Clasificación imágenes Blanco y Negro – Creación del modelo
9. Clasificación imágenes Blanco y Negro – Entrenamiento del modelo
10. Clasificación imágenes Blanco y Negro – Evaluación y Predicción

TEMA 7: Redes neuronales convolucionales (CNN) – Clasificaciones imágenes en color

1. Clasificación imágenes RGB – Presentación caso práctico
2. Clasificación imágenes RGB – Importación de librerías y fuentes
3. Clasificación imágenes RGB – Preprocesado
4. Clasificación imágenes RGB – Creación del modelo
5. Clasificación imágenes RGB – Entrenamiento del modelo
6. Clasificación imágenes RGB – Evaluación y Predicción

TEMA 8: Redes neuronales recurrentes (RNN)

1. Introducción a las redes neuronales recurrentes (RNN)
2. Neuronas LSTM
3. Creación de batches en RNN
4. Forecast RNN – Presentación caso práctico
5. Forecast RNN – Importación de librerías y fuentes
6. Forecast RNN – Preprocesado
7. Forecast RNN – División Train / Test
8. Forecast RNN – Escalado
9. Forecast RNN – Creación Generador Serie Temporal
10. Forecast RNN – Creación del modelo
11. Forecast RNN – Entrenamiento del modelo
12. Forecast RNN – Evaluación y Predicción

TEMA 9: Redes neuronales en Aprendizaje No Supervisado

1. Introducción a las redes neuronales en aprendizaje no supervisado
2. ¿Qué son los autoencoders en una red neuronal?
3. NN No Supervisado – Presentación caso práctico
4. NN No Supervisado – Importación de librerías y fuentes
5. NN No Supervisado – Preprocesado
6. NN No Supervisado – Escalado
7. NN No Supervisado – Estimación número de clústeres
8. NN No Supervisado – Creación del modelo
9. NN No Supervisado – Entrenamiento del modelo
10. NN No Supervisado – Evaluación y Predicción de clústeres