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

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

Si te interesa impartir esta formación en tu organización, solicita más información.