Curso de Deep Learning: domina las redes neuronales con Tensorflow y Python

Este contenido eLearning cumple con los
estándares de calidad exigidos por ANCYPEL AENOR

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
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
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
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
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
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
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
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
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

Formación bonificada para trabajadores.

Este curso cumple con los requisitos establecidos por FUNDAE para la bonificación de Formación Programada.

Si trabajas en una empresa española, tramitamos tu documentación para que puedas beneficiarte de la bonificación de la formación.

• ¿Con o sin tutoría...? ¿Qué me ofrece cada modalidad?

  Sin duda debes elegir la opción que más te convenga, pero ten en cuenta que hay algunas diferencias importantes entre ambas modalidades, sobre todo en lo concerniente a la bonificación de la formación y a la obtención del Certificado de Aprovechamiento.

  Además, recuerda que en la modalidad "Con tutoría" hay un experto/a, que en la generalidad de los casos es el autor del curso, solventando tus dudas y velando porque obtengas el mayor aprovechamiento del aprendizaje.

  	S/T Sin Tutoría	C/T Con Tutoría
  Acceso secuencial a las unidades del curso	Disponible	Disponible
  Descarga de contenidos en PDF	Disponible	Disponible
  Acceso a recursos didácticos y multimedia	Disponible	Disponible
  Ilimitadas consultas al tutor		Disponible
  Videoconferencias con el tutor desde el entorno de comunicaciones		Disponible
  Ejercicios prácticos corregidos y evaluados por el tutor		Disponible
  Certificado de realización PDF Con código seguro de verificación	Disponible
  Certificado de aprovechamiento PDF Con código seguro de verificación		Disponible
  Posibilidad de bonificación hasta el 100%		Disponible

• ¿Cómo empezar?

  ¡Inscribirte en un curso es muy fácil! Solo debes completar el formulario de inscripción e inmediatamente te enviaremos tus datos de acceso a la dirección de email que nos hayas indicado. Recuerda prestar atención a la carpeta de spam si no recibes nuestro email, ya que algunos filtros anti-spam podrían filtrar este correo.

  Una vez tengas tu nombre de usuario y contraseña ya podrás entrar en el curso. Tienes acceso gratuito a la unidad de Metodología para que puedas evaluar el aula virtual y la dinámica de la formación online. Inicialmente, solo puedes ver la unidad de Metodología, aunque en algunos casos también puedes evaluar la primera unidad del curso elegido.

  Puedes realizar el pago del curso durante el proceso de inscripción o en cualquier momento desde el campus del aula virtual. El pago puede realizarse mediante tarjeta de crédito, Paypal, Bizum, o a través de una transferencia bancaria enviando posteriormente el justificante. Una vez realizado el pago podrás acceder a todas las unidades de aprendizaje, siempre de una manera secuencial.

• Plazos

  Una vez que te hayas inscrito en el curso, puedes iniciar su compra desde el campus virtual.

  Si el curso ofrece unidades de prueba, dispones de un plazo máximo de 10 días para evaluarlo. Pasado este tiempo, o una vez hayas completado las unidades de prueba, no podrás volver a acceder al curso sin comprarlo. Tú decides si deseas continuar la formación.

  Tras formalizar el pago, dispones de 90 días para realizar el curso cómodamente. En caso de que lo necesites, puedes pedir una ampliación de plazo si justificas las causas (¡y generalmente se suele conceder!).

  La ampliación de plazo puedes solicitarla a tu tutor/a y, en el caso de que estés realizando la formación sin tutoría, puedes escribirnos a hola@adrformacion.com

• Certificados

  Si realizas el curso en la modalidad "con tutoría" y finalizas tu formación con éxito, recibirás un Certificado de Aprovechamiento.

  Si realizas el curso en la modalidad "sin tutoría" y finalizas tu formación con éxito, recibirás un Certificado de Realización.

  Los certificados, expedidos por ADR Formación, indican el número de horas, contenido, fechas de inicio y finalización y otros datos referentes al curso realizado. Además, cada certificado tiene asignado un Código Seguro de Verificación (CSV) único que demuestra su autenticidad.

  Tu certificado estará disponible en un plazo inferior a 24 horas tras haber finalizado la formación. Desde tu área privada, podrás descargarlo en formato PDF.

  Importante: el alumnado que bonifique su formación dispondrá de su Certificado de Aprovechamiento una vez finalizado el plazo de acceso de la formación y tras la validación del expediente.

• Acreditación de horas

  El curso de Deep Learning: domina las redes neuronales con Tensorflow y Python tiene una duración de 40 horas.