Curso online de Deep Learning

Temario

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