Inicio Catálogo Deep Learning. Redes Neuronales. Tensorflow.Python Programa Detallado

Curso de Deep Learning. Redes Neuronales. Tensorflow.Python (Programa detallado)

Objetivo

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.

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.

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.

PROGRAMA DEL CURSO

1.- Introducción a Deep Learning

Objetivo

Aprender las bases de las redes neuronales y preparación del entorno en Python.

Contenido

  1. Introducción a Deep Learning
    1. ¿Qué es Machine Learning y Deep Learning?
    2. Instalación de entorno Python y librerías Deep Learning
    3. Aprendizaje supervisado
    4. ¿Qué es el overfitting / underfitting en el aprendizaje supervisado?
    5. Evaluación de rendimiento de modelos - Métricas de Clasificación
    6.  Evaluación de rendimiento de modelos - Métricas de Regresión
    7. Aprendizaje no supervisado
    8. Resumen
Arriba

2.- Redes neuronales artificiales (ANN) - Conceptos Fundamentales

Objetivo

Conocer las claves para crear redes neuronales efectivas y los conceptos fundamentales de las ANN.

Contenido

  1. Redes neuronales artificiales (ANN) - Conceptos Fundamentales
    1. ¿Qué es una neurona y el modelo perceptrón?
    2. ¿Qué son las redes neuronales?
    3. Funciones de activación
    4. Funciones de activación en modelos multiclase
    5. Funciones de Coste y de Gradiente Descendente
    6. Propagación hacia atrás (backpropagation)
    7. Claves para crear redes neuronales efectivas
    8. ¿Qué nos proporciona Tensorflow y Keras?
    9. Resumen
Arriba

3.- Redes neuronales artificiales (ANN) - Regresión con Keras y Tensorflow

Objetivo

Construir un caso práctico de regresión de inicio a fin pasando por las etapas de importación, análisis, división, escalado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.

Contenido

  1. Redes neuronales artificiales (ANN) - Regresión con Keras y Tensorflow
    1. Regresión con Keras - Presentación caso práctico
    2. Regresión con Keras - Importación de librerías y fuentes
    3. Regresión con Keras - Análisis de datos (EDA) + Preprocesado (I)
    4. Regresión con Keras - Análisis de datos (EDA) + Preprocesado (II)
    5. Regresión con Keras - División Train / Test
    6. Regresión con Keras - Escalado
    7. Regresión con Keras - Creación de modelo
    8. Regresión con Keras - Entrenamiento del modelo
    9. Regresión con Keras - Evaluación y Predicción
    10. Resumen
Arriba

4.- Redes neuronales artificiales (ANN) - Clasificación binaria con Keras y Tensorflow

Objetivo

Construir un caso práctico de clasificación binaria de inicio a fin pasando por las etapas de importación, análisis, división, escalado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.

Contenido

  1. Redes neuronales artificiales (ANN) - Clasificación binaria con Keras y Tensorflow
    1. Clasificación binaria con Keras - Presentación caso práctico
    2. Clasificación binaria con Keras - Importación de librerías y fuentes
    3. Clasificación binaria con Keras - Análisis de datos (EDA) + Preprocesado
    4. Clasificación binaria con Keras - División Train / Test
    5. Clasificación binaria con Keras - Escalado
    6. Clasificación binaria con Keras - Creación de modelo
    7. Clasificación binaria con Keras - Entrenamiento del modelo
    8. Clasificación binaria con Keras - Evaluación y Predicción
    9. Resumen
Arriba

5.- Redes neuronales artificiales (ANN) - Clasificación multiclase con Keras y Tensorflow

Objetivo

Construir un caso práctico de clasificación multiclase de inicio a fin pasando por las etapas de importación, análisis, división, escalado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.

Contenido

  1. Redes neuronales artificiales (ANN) - Clasificación multiclase con Keras y Tensorflow
    1. Clasificación multiclase con Keras - Presentación caso práctico
    2. Clasificación multiclase con Keras - Importación de librerías y fuentes
    3. Clasificación multiclase con Keras - Análisis de datos (EDA) + Preprocesado (I)
    4. Clasificación multiclase con Keras - Análisis de datos (EDA) + Preprocesado (II)
    5. Clasificación multiclase con Keras - División Train / Test
    6. Clasificación multiclase con Keras - Escalado
    7. Clasificación multiclase con Keras - Creación de modelo
    8. Clasificación multiclase con Keras - Entrenamiento del modelo
    9. Clasificación multiclase con Keras - Evaluación y Predicción
    10. Clasificación multiclase con Keras - Monitorización con Tensorboard
    11. Resumen
Arriba

6.- Redes neuronales convolucionales (CNN) - Clasificaciones imágenes blanco y negro

Objetivo

Construir un caso práctico de clasificación de imágenes blanco y negro de inicio a fin pasando por las etapas de importación, análisis, división, preprocesado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.

Contenido

  1. Redes neuronales convolucionales (CNN) - Clasificaciones imágenes blanco y negro
    1. Introducción a las redes neuronales convolucionales (CNN)
    2. ¿Qué son los filtros de imagen y los kernels?
    3. Capas convolucionales en una CNN
    4. Capas pooling en una CNN
    5. Clasificación imágenes Blanco y Negro - Presentación caso práctico
    6. Clasificación imágenes Blanco y Negro - Importación de librerías y fuentes
    7. Clasificación imágenes Blanco y Negro - Preprocesado
    8. Clasificación imágenes Blanco y Negro - Creación del modelo
    9. Clasificación imágenes Blanco y Negro - Entrenamiento del modelo
    10. Clasificación imágenes Blanco y Negro - Evaluación y Predicción
    11. Resumen
Arriba

7.- Redes neuronales convolucionales (CNN) - Clasificaciones imágenes en color

Objetivo

Construir un caso práctico de clasificación de imágenes en color de inicio a fin pasando por las etapas de importación, análisis, división, preprocesado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.

Contenido

  1. Redes neuronales convolucionales (CNN) - Clasificaciones imágenes en color
    1. Clasificación imágenes RGB - Presentación caso práctico
    2. Clasificación imágenes RGB - Importación de librerías y fuentes
    3. Clasificación imágenes RGB - Preprocesado
    4. Clasificación imágenes RGB - Creación del modelo
    5. Clasificación imágenes RGB - Entrenamiento del modelo
    6. Clasificación imágenes RGB - Evaluación y Predicción
    7. Resumen
Arriba

8.- Redes neuronales recurrentes (RNN)

Objetivo

Comprender las particularidades de las redes neuronales recurrentes y realizar un caso práctico de inicio a fin pasando por las etapas de importación, preprocesado, división, escalado, generador serie temporal, crear el modelo, entrenarlo y conseguir la evaluación y predicción.

Contenido

  1. Redes neuronales recurrentes (RNN)
    1. Introducción a las redes neuronales recurrentes (RNN)
    2. Neuronas LSTM
    3. Creación de batches en RNN
    4. Forecast RNN - Presentación caso práctico
    5. Forecast RNN - Importación de librerías y fuentes
    6. Forecast RNN - Preprocesado
    7. Forecast RNN - División Train / Test
    8. Forecast RNN - Escalado
    9. Forecast RNN - Creación Generador Serie Temporal
    10. Forecast RNN - Creación del modelo
    11. Forecast RNN - Entrenamiento del modelo
    12. Forecast RNN - Evaluación y Predicción
    13. Resumen
Arriba

9.- Redes neuronales en Aprendizaje No Supervisado

Objetivo

Comprender cómo podemos beneficiarnos de las redes neuronales en aprendizaje no supervisado y cómo aplicarlas a un caso de uso real de inicio a fin.

Contenido

  1. Redes neuronales en Aprendizaje No Supervisado
    1. Introducción a las redes neuronales en aprendizaje no supervisado
    2. ¿Qué son los autoencoders en una red neuronal?
    3. NN No Supervisado - Presentación caso práctico
    4. NN No Supervisado - Importación de librerías y fuentes
    5. NN No Supervisado - Preprocesado
    6. NN No Supervisado - Escalado
    7. NN No Supervisado - Estimación número de clústeres
    8. NN No Supervisado - Creación del modelo
    9. NN No Supervisado - Entrenamiento del modelo
    10. NN No Supervisado - Evaluación y Predicción de clústeres
    11. Resumen
Arriba