Deep Learning: domina las redes neuronales con Tensorflow y Python

Descripción

CURSO DE ESPECIALIZACIÓN

Deep Learning: domina las redes neuronales con Tensorflow y Python

Objetivos

Contenidos

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
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?
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
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
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
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
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
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
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
   Despliegue de servicios Deep Learning