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?
En la era de la inteligencia artificial, el Deep Learning se ha convertido en una de las tecnologías más avanzadas y con mayor demanda en el ámbito profesional. Este curso permite a los profesionales adquirir habilidades esenciales para implementar redes neuronales profundas y construir modelos predictivos que optimicen el análisis de grandes volúmenes de datos.
Leer másEn la era de la inteligencia artificial, el Deep Learning se ha convertido en una de las tecnologías más avanzadas y con mayor demanda en el ámbito profesional. Este curso permite a los profesionales adquirir habilidades esenciales para implementar redes neuronales profundas y construir modelos predictivos que optimicen el análisis de grandes volúmenes de datos.
El Deep Learning ofrece soluciones innovadoras en áreas como la visión por computadora y el procesamiento del lenguaje natural, lo que puede transformar sectores como la salud, finanzas y tecnología. Además, aprender Deep Learning mejora la competitividad profesional, ya que permite automatizar procesos complejos, mejorar la precisión de los resultados y acelerar la innovación tecnológica. La formación en Deep Learning es una inversión estratégica para el crecimiento y la evolución profesional en el ámbito de la inteligencia artificial.
Otros Cursos de Relacionados
Horas Lectivas: 50 Horas Lectivas: 50 Horas Lectivas: 50 Horas Lectivas: 50 Horas Lectivas: 50| Este curso está dirigido a estudiantes, profesionales y entusiastas que buscan adquirir o profundizar conocimientos en Inteligencia Artificial y Deep Learning utilizando Python. Es especialmente valioso para aquellos que trabajan en áreas como la tecnología, análisis de datos y ciencia de datos, o para quienes desean aplicar algoritmos de Machine Learning en proyectos reales. Aunque no se requiere un conocimiento avanzado en Deep Learning, es recomendable contar con nociones básicas de Python y su uso en Inteligencia Artificial. El curso proporcionará herramientas esenciales para resolver problemas complejos mediante Redes Neuronales y otras técnicas de IA, aplicadas en casos prácticos. |
| La duración del curso de Inteligencia Artificial y Deep Learning en Python es de 50 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 Inteligencia Artificial y Deep Learning en Python es el siguiente:
1 Introducción
1.1 Presentación del curso
2 Panorama del Deep Learning y Justificación
2.1 Contexto y Motivación del Deep Learning
2.2 Ejemplo: Fake Obama generado con Deep Learning
3 Configuración del Entorno de Trabajo
3.1 Introducción a la sección
3.2 Preparación del entorno local
3.3 Preparación del entorno en la nube
3.4 Descarga de recursos y conjuntos de datos
3.5 Introducción a los vídeos opcionales
3.6 [Opcional] Práctica: Fundamentos de Numpy
3.7 [Opcional] Práctica: Fundamentos de Pandas - Series
3.8 [Opcional] Práctica: Fundamentos de Pandas - DataFrames
3.9 [Opcional] Práctica: Introducción a Matplotlib
4 Conceptos Fundamentales del Deep Learning
4.1 Introducción a la sección
4.2 ¿Qué es el Aprendizaje Automático?
4.3 Aprendizaje de extremo a extremo
4.4 Práctica: Ejemplos sobre Aprendizaje de extremo a extremo
4.5 Definición del Deep Learning
4.6 Aplicaciones y tipos de técnicas de Deep Learning
4.7 Introducción a los vídeos adicionales
4.8 [Opcional] Aprendizaje supervisado
4.9 [Opcional] Aprendizaje no supervisado
5 Fundamentos de las Redes Neuronales
5.1 Introducción a la sección
5.2 Conceptos básicos sobre Redes Neuronales
5.3 Descripción de la neurona de McCulloch y Pitts
5.4 Limitaciones y entradas de la Neurona M-P
5.5 Práctica: Implementación de la Neurona M-P
5.6 Práctica: Diagnóstico de cáncer de mama con Neurona M-P
6 El Perceptrón: Modelo Básico
6.1 Introducción a la sección
6.2 Explicación del Perceptrón
6.3 Comparación entre Neurona M-P y Perceptrón
6.4 Eliminación del threshold en el Perceptrón
6.5 Funcionamiento y notación del Perceptrón
6.6 Funciones de activación del Perceptrón
6.7 Práctica: Visualización del límite de decisión en el Perceptrón
6.8 Creación del modelo del Perceptrón
6.9 Limitaciones del Perceptrón
6.10 Práctica: Clasificación de imágenes
7 Redes Neuronales Multicapa
7.1 Introducción a la sección
7.2 Explicación del Perceptrón Multicapa
7.3 Estructura del Perceptrón Multicapa
7.4 Funcionamiento y notación en redes multicapa
7.5 Componentes clave en el Perceptrón Multicapa
7.6 Funciones de activación en redes multicapa
7.7 Práctica: Límite de decisión en redes multicapa
7.8 Introducción a la Propagación hacia adelante
7.9 Forward Propagation en redes multicapa
7.10 Propagación hacia adelante para entradas múltiples
8 Función de Error y Optimización
8.1 Introducción a la sección
8.2 Definición de la función de error
8.3 Comprensión de la función de error
8.4 Función de error final
8.5 Introducción a las funciones de optimización
8.6 Comprensión de la optimización
8.7 Función de optimización definitiva
8.8 Práctica: Clasificación de dígitos manuscritos
9 Entrenamiento de Redes Neuronales Profundas
9.1 Introducción a la sección
9.2 Explicación del grafo computacional
9.3 Cálculo de derivadas mediante el grafo computacional
9.4 Regla de la cadena
9.5 [Opcional] Simplificación de las derivadas
9.6 Explicación de Backpropagation
9.7 Entrenamiento de una red neuronal simple
9.8 Entrenamiento de una red neuronal profunda
9.9 Práctica: Clasificación de audio (Parte 1)
9.10 Práctica: Clasificación de audio (Parte 2)
10 Implementación Vectorizada de RNAs (Opcional)
10.1 Introducción a la sección
10.2 Fundamentos de la vectorización
10.3 Vectorización de la primera capa oculta
10.4 Vectorización de la segunda capa oculta
11 Clasificación y Regresión con Redes Neuronales
11.1 Introducción a la sección
11.2 Clasificación con Redes Neuronales
11.3 Introducción a la Clasificación Multiclase
11.4 Función de activación Softmax
11.5 Función de error para problemas multiclase
11.6 Entrenamiento del Perceptrón para problemas multiclase
11.7 Regresión con Redes Neuronales
12 Trabajando con Keras
12.1 Introducción a la sección
12.2 Fundamentos de Keras
12.3 Práctica: Implementación de una red neuronal en Keras
12.4 Práctica: Entrenamiento de una red neuronal con Keras
12.5 Práctica: Límite de decisión en una red profunda con Keras
12.6 Práctica: Clasificación de audio en Keras
12.7 Práctica: Regresión en Keras
13 Funciones de Activación en Redes Neuronales
13.1 Introducción a la sección
13.2 Fundamentos de las funciones de activación
13.3 Función de activación Tanh
13.4 Función de activación ReLU
13.5 Comparación entre funciones de activación
13.6 Práctica: Visualización de funciones de activación
13.7 ¿Por qué usar una función de activación?
13.8 Práctica: Justificación de las funciones de activación
13.9 Diferenciabilidad en funciones de activación
13.10 Práctica: Clasificación de sentimientos
14 Métodos de Optimización en Redes Neuronales
14.1 Introducción a la sección
14.2 Introducción al Mini-Batch Gradient Descent
14.3 Práctica: Mini-Batch Gradient Descent
14.4 Stochastic Gradient Descent (SGD)
14.5 Promedio Móvil Exponencial (Parte 1)
14.6 Explicación del Momentum Gradient Descent
14.7 Práctica: Momentum Gradient Descent
14.8 Explicación de RMSprop
14.9 Explicación de la Optimización Adam
14.10 Práctica: Implementación de Adam
15 Selección de Hiperparámetros en Redes Neuronales
15.1 Introducción a la sección
15.2 Definición de hiperparámetros
15.3 Práctica: Selección de hiperparámetros con Keras Tuner
15.4 Selección óptima del número de capas
15.5 Selección óptima del número de neuronas
15.6 Otros hiperparámetros importantes
15.7 Selección de hiperparámetros para la clasificación de texto
16 Introducción a TensorFlow
16.1 Introducción a la sección
16.2 Fundamentos de TensorFlow 2.0
16.3 Práctica: Tensores y operaciones en TensorFlow
16.4 Práctica: Creación de una función de error personalizada
16.5 Práctica: Creación de otros componentes personalizados
16.6 Práctica: Creación de capas personalizadas
17 Aspectos Claves de un Proyecto de Deep Learning
17.1 Introducción a la sección
17.2 Overfitting y Underfitting
17.3 División del dataset en entrenamiento, validación y test
17.4 Explicación de la regularización
17.5 Dropout en Redes Neuronales
17.6 Otros mecanismos de regularización
17.7 Explicación de la normalización
17.8 Práctica: Clasificación de tweets sobre desastres naturales
18 Conclusión del curso
18.1 Despedida del curso.
Inicio
Ir a la Portada
