La formación te ofrece una guía clara y práctica para acometer proyectos de IA con Python, TensorFlow y Keras. Vas a aprender a crear redes neuronales artificiales que emulan el comportamiento de las neuronas humanas, aplicando técnicas modernas utilizadas por compañías líderes como Google, Airbnb, Twitter o IBM.
Ideal para profesionales y estudiantes interesados en adquirir una habilidad altamente demandada en el mercado aplicando Deep Learning en proyectos reales.
1.Introducción a Deep Learning
1.1 ¿Qué es Machine Learning y Deep Learning?
1.2 Instalación de entorno Python y librerías Deep Learning
1.3 Aprendizaje supervisado
1.4 ¿Qué es el overfitting / underfitting en el aprendizaje supervisado?
1.5 Evaluación de rendimiento de modelos - Métricas de Clasificación
1.6 Evaluación de rendimiento de modelos - Métricas de Regresión
1.7 Aprendizaje no supervisado
2.Redes neuronales artificiales (ANN)
2.1 ¿Qué es una neurona y el modelo perceptrón?
2.2 ¿Qué son las redes neuronales?
2.3 Funciones de activación
2.4 Funciones de activación en modelos multiclase
2.5 Funciones de Coste y de Gradiente Descendente
2.6 Propagación hacia atrás (backpropagation)
2.7 Claves para crear redes neuronales efectivas
2.8 ¿Qué nos proporciona Tensorflow y Keras?
2.9 Regresión con Keras - Presentación caso práctico
2.10 Regresión con Keras - Importación de librerías y fuentes
2.11 Regresión con Keras - Análisis de datos (EDA) + Preprocesado (I)
2.12 Regresión con Keras - Análisis de datos (EDA) + Preprocesado (II)
2.13 Regresión con Keras - División Train / Test
2.14 Regresión con Keras - Escalado
2.15 Regresión con Keras - Creación de modelo
2.16 Regresión con Keras - Entrenamiento del modelo
2.17 Regresión con Keras - Evaluación y Predicción
2.18 Clasificación binaria con Keras - Presentación caso práctico
2.19 Clasificación binaria con Keras - Importación de librerías y fuentes
2.20 Clasificación binaria con Keras - Análisis de datos (EDA) + Preprocesado
2.21 Clasificación binaria con Keras - División Train / Test
2.22 Clasificación binaria con Keras - Escalado
2.23 Clasificación binaria con Keras - Creación de modelo
2.24 Clasificación binaria con Keras - Entrenamiento del modelo
2.25 Clasificación binaria con Keras - Evaluación y Predicción
2.26 Clasificación multiclase con Keras - Presentación caso práctico
2.27 Clasificación multiclase con Keras - Importación de librerías y fuentes
2.28 Clasificación multiclase con Keras - Análisis de datos (EDA) + Preprocesado (I)
2.29 Clasificación multiclase con Keras - Análisis de datos (EDA) + Preprocesado (II)
2.30 Clasificación multiclase con Keras - División Train / Test
2.31 Clasificación multiclase con Keras - Escalado
2.32 Clasificación multiclase con Keras - Creación de modelo
2.33 Clasificación multiclase con Keras - Entrenamiento del modelo
2.34 Clasificación multiclase con Keras - Evaluación y Predicción
2.35 Clasificación multiclase con Keras - Monitorización con Tensorboard
Test de conocimientos 1
3.Redes neuronales convolucionales (CNN)
3.1 Introducción a las redes neuronales convolucionales (CNN)
3.2 ¿Qué son los filtros de imagen y los kernels?
3.3 Capas convolucionales en una CNN
3.4 Capas pooling en una CNN
3.5 Clasificación imágenes Blanco y Negro - Presentación caso práctico
3.6 Clasificación imágenes Blanco y Negro - Importación de librerías y fuentes
3.7 Clasificación imágenes Blanco y Negro - Preprocesado
3.8 Clasificación imágenes Blanco y Negro - Creación del modelo
3.9 Clasificación imágenes Blanco y Negro - Entrenamiento del modelo
3.10 Clasificación imágenes Blanco y Negro - Evaluación y Predicción
3.11 Clasificación imágenes RGB - Presentación caso práctico
3.12 Clasificación imágenes RGB - Importación de librerías y fuentes
3.13 Clasificación imágenes RGB - Preprocesado
3.14 Clasificación imágenes RGB - Creación del modelo
3.15 Clasificación imágenes RGB - Entrenamiento del modelo
3.16 Clasificación imágenes RGB - Evaluación y Predicción
4.Redes neuronales recurrentes (RNN)
4.1 Introducción a las redes neuronales recurrentes (RNN)
4.2 Neuronas LSTM
4.3 Creación de batches en RNN
4.4 Forecast RNN - Presentación caso práctico
4.5 Forecast RNN - Importación de librerías y fuentes
4.6 Forecast RNN - Preprocesado
4.7 Forecast RNN - División Train / Test
4.8 Forecast RNN - Escalado
4.9Forecast RNN - Creación Generador Serie Temporal
4.10 Forecast RNN - Creación del modelo
4.11 Forecast RNN - Entrenamiento del modelo
4.12 Forecast RNN - Evaluación y Predicción
Test de conocimientos 2
5.Redes neuronales en Aprendizaje No Supervisado
5.1 Introducción a las redes neuronales en aprendizaje no supervisado
5.2 ¿Qué son los autoencoders en una red neuronal?
5.3 NN No Supervisado - Presentación caso práctico
5.4 NN No Supervisado - Importación de librerías y fuentes
5.5 NN No Supervisado - Preprocesado
5.6 NN No Supervisado - Escalado
5.7 NN No Supervisado - Estimación número de clusters
5.8 NN No Supervisado - Creación del modelo
5.9 NN No Supervisado - Entrenamiento del modelo
5.10 NN No Supervisado - Evaluación y Predicción de clusters
Cuando la formación haya finalizado vas a recibir un certificado de aprovechamiento.
Es necesario contar con una base técnica o experiencia mínima en el área para poder cursar esta especialización con éxito.
Información Adicional
Precio: 335,00 €
Si vienes de Empresa, puedes bonificar hasta el 100% del curso con el crédito FUNDAE
