¿Hablamos?
← Volver
ver vídeo
Inteligencia artificial Deep learning

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

Valoraciones
10,0 /10
  • 40 horas de formación online
  • 9 unidades de aprendizaje
  • 10 prácticas
  • 344 min. de vídeo
  • 9 test de evaluación
  • Certificado disponible según modalidad
  • Sin horarios
Sello de Calidad ANCYPEL-AENOR
ver vídeo

¿Quiere dominar las técnicas más avanzadas de Deep Learning y crear potentes Redes Neuronales desde cero?

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

En este curso aprenderá desde cero todo lo necesario para convertirse en un maestro de Deep Learning, instalaremos paso a paso el framework de Python y las librerías necesarias para que finalmente sea 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 acometer proyectos de clusterización, detección de anomalías, etc.

Al finalizar el curso podrá crear potentes proyectos de Deep Learning a nivel profesional siendo capaz de extraer el máximo provecho a sus datos.

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

Es el momento de que pase a la acción, tomando este curso conseguirá 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 sus datos y de su tiempo con inteligencia artificial.

  • Dirigido a

    • Científicos de datos que quieran aprender las tecnologías punteras de Machine Learning y Deep Learning.
    • Científicos de datos 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.
    • Cualquier persona que quiera predecir el futuro y crear potentes proyectos para solucionar múltiples problemas que existen en nuestro entorno a partir de datos.

  • ¿Qué competencias vas a adquirir?

    Aprender 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.

  • Requisitos

    Es recomendable tener conocimientos básicos de Python, aunque si no se tienen se explicarán los scripts en detalle para entender su funcionamiento y pueda ejecutar proyectos de Deep Learning.

Descarga el temario completo en PDF
Sello de Calidad ANCYPEL-AENOR

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
Área de competencia Competencia 1: Información y alfabetización Digital BásicoBás. IntermedioInt. AvanzadoAv. EspecializadoEsp.
1.1. Navegar, buscar y filtrar datos, información y contenidos digitales
1.2 Evaluar datos, información y competencias digitales
1.3 Gestión de datos, información y competencias digitales ✓
Área de competencia Competencia 2: Comunicación y colaboración
2.1. Interactuar a través de tecnologías digitales
2.2. Compartir a través de tecnologías digitales
2.3. Participación ciudadana a través de las tecnologías digitales
2.4. Colaboración a través de las tecnologías digitales
2.5. Comportamiento en la red
2.6 Gestión de la identidad digital
Área de competencia Competencia 3: Creación de Contenidos digitales
3.1. Desarrollo de contenidos
3.2. Integración y reelaboración de contenido digital
3.3. Derechos de autor (copyright) y licencias de propiedad intelectual
3.4. Programación ✓
Área de competencia Competencia 4: Seguridad
4.1. Protección de dispositivos
4.2. Protección de datos personales y privacidad
4.3. Protección de la salud y del bienestar
4.4. Protección medioambiental
Área de competencia Competencia 5: Resolución de Problemas
5.1. Resolución de problemas técnicos
5.2. Identificación de necesidades y respuestas tecnológicas
5.3. Uso creativo de la tecnología digital
5.4. Identificar lagunas en las competencias digitales

¿Necesitas impartir esta formación en tu organización?

Solicita más información

Deep Learning: domina las redes neuronales con Tensorflow y Python

  • 40 horas de formación online
  • 9 unidades de aprendizaje
  • 10 prácticas
  • 344 min. de vídeo
  • 9 test de evaluación
  • Certificado disponible según modalidad
  • Sin horarios
Sello de Calidad ANCYPEL-AENOR
DigComp 2.2 Marco Europeo de Competencias Digitales

Política de privacidad

ADR Formación utiliza cookies propias y de terceros para fines analíticos anónimos, guardar las preferencias que selecciones y para el funcionamiento general de la página.

Puedes aceptar todas las cookies pulsando el botón "Aceptar" o configurarlas o rechazar su uso pulsando el botón "Configurar".

Puedes obtener más información y volver a configurar tus preferencias en cualquier momento en la Política de cookies