Ventajas de nuestra formación
Acceso al curso las 24 hs. Todos los días de la semana
Contenidos didácticos de calidad
Calendario flexible
Profesores especializados
Curso acreditado por FUNDAE
Aula virtual accesible para PCs, notebook, tablet y smartphone
Opción a disponer de asistencia de profesor o sólo acceso a contenidos (autoestudio)
Nos ocupamos de toda la gestión de su bonificación
Diploma acreditativo de CIBERAULA
Calendario: Flexible.
Fecha disponible: Inmediata.
Porcentaje de Bonificación: 100%
Diploma acreditativo emitido por FUNDAE.
Certificado acreditativo para concursos y oposiciones.
Temario Personalizado.
¿Por qué es beneficioso para un profesional realizar un curso de Deep Learning con Python?
En la era digital actual, el dominio de técnicas avanzadas de Deep Learning es esencial para cualquier profesional en el campo de la tecnología. El curso "Deep Learning con Python" permite a los profesionales estar a la vanguardia de la innovación tecnológica, utilizando herramientas como TensorFlow y Keras para desarrollar modelos complejos y eficientes. Este conocimiento es invaluable para aquellos que buscan aplicar técnicas de Deep Learning en áreas como visión por computador, procesamiento del lenguaje natural y análisis de series temporales, mejorando su capacidad para resolver problemas complejos y crear soluciones innovadoras.
Leer más
En la era digital actual, el dominio de técnicas avanzadas de Deep Learning es esencial para cualquier profesional en el campo de la tecnología. El curso "Deep Learning con Python" permite a los profesionales estar a la vanguardia de la innovación tecnológica, utilizando herramientas como TensorFlow y Keras para desarrollar modelos complejos y eficientes. Este conocimiento es invaluable para aquellos que buscan aplicar técnicas de Deep Learning en áreas como visión por computador, procesamiento del lenguaje natural y análisis de series temporales, mejorando su capacidad para resolver problemas complejos y crear soluciones innovadoras.
Además, la competitividad del mercado laboral hace que la constante actualización de habilidades sea un factor clave para el éxito. Al sumergirse en el curso de Deep Learning con Python, los profesionales no solo expanden su repertorio técnico, sino que también se equipan con conocimientos sobre las mejores prácticas en el desarrollo de modelos de aprendizaje profundo, así como la optimización y evaluación de estos modelos. Estas habilidades multidisciplinarias son altamente valoradas en la industria, mejorando el potencial de empleabilidad y la capacidad de innovar dentro de sus respectivos campos.
El curso está dirigido a profesionales y estudiantes con conocimientos en Machine Learning y Python, como desarrolladores, científicos de datos e ingenieros de software. Es ideal para aquellos que desean profundizar en Deep Learning, utilizando herramientas como TensorFlow y Keras, y aplicar estas técnicas en áreas como visión por computador, procesamiento del lenguaje natural y análisis de series temporales. Se recomienda tener experiencia previa en bibliotecas de Python para análisis de datos y modelado predictivo. |
La duración del curso de Deep Learning es de 160 horas,
acreditadas en el Diploma del mismo. Fecha de inicio: Se puede determinar libremente, teniendo en cuenta que en cursos bonificados de formación contínua debe notificarse a FUNDAE con al menos 3 días naturales de antelación a la misma. |
Este curso puede ser bonificado al 100% para la empresa receptora, incluso aunque esta tenga un porcentaje de copago en razón de su número de empleados en plantilla. El coste de la formación se recuperará
mediante descuento en el pago de los seguros sociales. |
Este descuento será aplicable libremente en cualquier mes del año posterior a la fecha en que haya finalizado la formación. Podrán bonificarse las matrículas de aquellos alumnos que realicen al menos el
75% del curso con éxito. |
EN CURSOS ONLINE Teleformación: En esta modalidad todo el curso se realiza a través de internet, con acceso las 24 hs. todos los días de la semana y plazo máximo de seis meses. No hay actividades como clases a las que el alumno deba asistir en horarios y fechas programados. Aula virtual: En esta modalidad la formación se imparte mediante clases en directo a través de internet, es decir clases tele-presenciales, que se llevarán a cabo a través de ZOOM, Skype u otra herramienta a convenir. Modalidad MIXTA: Combinación de las dos modalidades anteriores. Los trabajadores asisten a clases en directo (por ejemplo una a la semana) y entre clases disponen de material para avanzar en el curso en la plataforma. Es la más completa para grupos de trabajadores que realizan un mismo curso. EN CURSOS PRESENCIALES o SEMI - PRESENCIALES En esta modalidad los trabajadores realizan el curso asistiendo físicamente a un aula en la que se imparte la formación. Puede ser complementada igualmente con acceso a una plataforma online entre clases. Para esta modalidad se requiere una consulta previa de disponibilidad en la ciudad donde se desee llevar a cabo. |
NOTA:
Trabajamos con la metodología de curso personalizado, creada por Ciberaula en 1997. Usted puede solicitar un curso a la medida de sus objetivos, que combine lecciones de
2 o más cursos en un plan de formación a su medida. Si este es su caso consúltenos, esta metodología ofrece un aprovechamiento máximo de la formación en los cursos bonificados para trabajadores.
El
temario predefinido del curso online de Deep Learning es el siguiente:
1 Introducción al curso Deep Learning con Python y Keras
1.1 Requisitos previos: Machine Learning con Python
1.2 Estructura del Curso que vas a Comenzar
1.3 Deep Learning con Python y Keras
1.4 Descripción de los contenidos
1.5 Para saber más
2 Lenguaje de programación Python y librerias de trabajo
2.1 Introducción a Python y sus librerías
2.2 Herramientas de trabajo
2.3 Tutorial Jupyter
2.4 Python para Modelado Predictivo
2.5 Python: Asignaciones
2.6 Python: Control de Flujo
2.7 Python: Estructuras de datos
2.8 Python: Curso de NumPy
2.9 Python: Curso de MatPlotlib
2.10 Python: Curso de Pandas
2.11 Para saber más
3 Fundamentos del Deep Learning
3.1 Fundamentos de Deep Learning (Parte 1)
3.2 Fundamentos de Deep Learning (Parte 2)
3.3 Fundamentos de Deep Learning (Parte 3)
3.4 Curso rápido de TensorFlow
3.5 Curso rápido de Keras
3.6 Curso rápido de Google Colab
3.7 Para saber más
4 Fundamentos de redes neuronales: Teoría
4.1 Materiales
4.2 Unidad Fundamental de aprendizaje La neurona
4.3 Cómo trabaja una neurona
4.4 Multilayer Perceptron
4.5 Cómo opera el MLP
4.6 Backpropagation
4.7 Simulación de una arquitectura de red neuronal
5 Diseño de Redes Neuronales Avanzadas: Teoría
5.1 Background sobre Redes Neuronales
5.2 Parámetros en redes neuronales
5.3 Algoritmo de Gradiente Descendente
5.4 Multilayer Perceptron
5.5 Coste, sesgo y activación
5.6 Backpropagation
5.7 Para saber más
5.8 Diseño de Redes Neuronales: Práctica
6 Diseño de redes neuronales: Diseño
6.1 Diseño de redes neuronales: Compilación y evaluación
6.2 Diseño de redes neuronales: Predicciones
6.3 Evaluar Rendimiento: División automática
6.4 Evaluar Rendimiento: Verificación manual
6.5 Evaluar Rendimiento: Validación cruzada
6.6 Evaluación de Modelado con Keras y Sklearn
6.7 Optimización de hiperparámetros con GridSearchCV
6.8 Para saber más
7 Proyectos de Deep Learning en Tidy Data: Práctica
7.1 Clasificación Multiclase: Procesamiento de datos
7.2 Clasificación Multiclase: Diseño de Red Neuronal
7.3 Clasificación Binaria: Procesamiento de datos
7.4 Clasificación Binaria: Diseño de Red Neuronal
7.5 Clasificación Binaria: Optimización de la Red Neuronal
7.6 Proyecto de Regresión: Procesamiento de datos
7.7 Proyecto de Regresión: Diseño de Red Neuronal
7.8 Proyecto de Regresión: Optimización de la Red Neuronal
8 Redes Neuronales Avanzado: Práctica
8.1 Forecasting: JSON
8.2 Forecasting: H5
8.3 Checkpoint controlado
8.4 Checkpoint y forecasting
8.5 Evaluación de métricas en Deep Learning
8.6 Regularización con Dropout
8.7 Dropout en la capa de entrada
8.8 Dropout en capas ocultas
8.9 Planificación de learning rate en función del tiempo
8.10 Planificación de learning rate en función de drop
8.11 Para saber más
9 Redes Neuronales Convolucionales: Teoría
9.1 Background
9.2 Fundamentos de las CNNs
9.3 Operación Convolución
9.4 Operación Pooling
9.5 Capas Fully-Connected
9.6 GPUs para mejorar el rendimiento
9.7 Conclusiones sobre CNNs
9.8 Para saber más
10 Redes Neuronales Convolucionales: Práctica
10.1 Reconocimiento de dígitos: Análisis del dataset
10.2 Reconocimiento de dígitos: MLP de línea base
10.3 Reconocimiento de dígitos: CNN de línea base
10.4 Reconocimiento de dígitos: CNN Optimizada
10.5 Fundamentos de Data Augmentation
10.6 Data Augmentation: Estandarización
10.7 Data Augmentation: Reducción de dimensionalidad ZCA
10.8 Data Augmentation: Rotaciones, Giros y Desplazamientos
10.9 Data Augmentation: Guardar imágenes
10.10 Reconocimiento de objetos: Dataset
10.11 Reconocimiento de objetos: CNN de línea base
10.12 Reconocimiento de objetos: CNN optimizada
10.13 Procesamiento del Lenguaje Natural: Dataset
10.14 Procesamiento del Lenguaje Natural: MLP
10.15 Procesamiento del Lenguaje Natural: CNN Unidimensional
10.16 Para saber más
11 Redes Neuronales Recurrentes: Teoría
11.1 Background
11.2 Introducción
11.3 Redes Feed Forward Vs Redes neuronales recurrentes
11.4 Redes Neuronales Recurrentes
11.5 Redes LSTM
11.6 Aprendizaje por Refuerzo: Fundamentos
11.7 Algoritmos DRL
11.8 Aplicaciones DRL
11.9 Para saber más -12 Redes Neuronales Recurrentes: Práctica
12.1 Series de tiempo con MLP: Dataset
12.2 Series de tiempo con MLP: Unidimensional
12.3 Series de tiempo con MLP: Tamaño de Ventana
12.4 LSTM para Regresión: Dataset
12.5 LSTM para Regresión: Línea Base
12.6 LSTM para Regresión: Ventana
12.7 LSTM para Regresión: Pasos de tiempo
12.8 LSTM para Regresión: Asignación de memoria
12.9 LSTM para Regresión: Stacked con memoria
12.10 LSTM para Clasificación: Línea Base
12.11 LSTM para Clasificación: Dropout
12.12 LSTM para Clasificación: Integración con CNN
12.13 Para saber más
13 Redes Neuronales Convolucionales: Prácticas avanzadas
13.1 MNIST con CNN
13.2 Identificación de flores con CNN
13.3 Transfer Learning & Finetuning: Fundamentos
13.4 Transfer Learning & Finetuning: Dataset
13.5 Transfer Learning: MobileNet
13.6 Transfer Learning: VGG16
13.7 Transfer Learning: Extracción de características y Modelado clásico
13.8 Transfer Learning: Finetuning
13.9 Herramientas avanzadas: Cargar y almacenar modelos
13.10 Herramientas avanzadas: Callbacks y Checkpoints
13.11 Herramientas avanzadas: Tensorboard
13.12 Para saber más
14 Redes Neuronales Recurrentes: Prácticas avanzadas
14.1 Estado en RNN: Procesamiento de datos
14.2 Estado en RNN: LSTM de uno a uno
14.3 Estado en RNN: LSTM con ventana
14.4 Estado en RNN: LSTM con ventana e intervalo de tiempo
14.5 Estado en RNN: Mantener estado en LSTM
14.6 Estado en RNN: LSTM con estado para mapeo
14.7 Estado en RNN: LSTM con entrada de longitud variable
14.8 LSTM para PLN: Dataset
14.9 LSTM para PLN: Modelo de línea base
14.10 LSTM para PLN: Generación de texto
14.11 LSTM para PLN: Optimizar la LSTM
14.12 Para saber más
15 Clases extras
15.1 [Webinar] Deep Learning en Visión por Computador: Parte 1
15.2 Videoconferencia relativa a la Sección 1, 2, 3 y 4
15.3 Videoconferencia relativa a la Sección 5, 6, 7 y 8
15.4 Videoconferencia relativa a la Sección 9 y 10
15.5 Videoconferencia relativa a las Secciones 13 y 14