Deep Learning con Keras y TensorFlow - eLearning
450,00 EUR
- 34 hours
Este curso de Feep Learning con certificación en TensorFlow ha sido desarrollado por líderes de la industria y está alineado con las mejores prácticas más recientes. Dominarás los conceptos y modelos de aprendizaje profundo utilizando los marcos de trabajo de Keras y TensorFlow a través de este curso de TensorFlow. Aprende a implementar algoritmos de aprendizaje profundo con nuestra formación en TensorFlow y prepárate para una carrera como Ingeniero en Aprendizaje Profundo. Obtén nuestra certificación en aprendizaje profundo y consigue una ventaja competitiva sobre tus compañeros en tu próxima entrevista. La demanda de Ingenieros en Aprendizaje Profundo cualificados está en auge en una amplia gama de industrias, haciendo que este curso de Aprendizaje Profundo con certificación en Keras y TensorFlow sea muy adecuado para profesionales de nivel intermedio a avanzado. Recomendamos esta formación con certificación en aprendizaje profundo, especialmente para Ingenieros de Software, Científicos de Datos, Analistas de Datos y Estadísticos con interés en el aprendizaje profundo.
Programa del curso
Introducción al curso
Lección 01
- Introducción al curso
Introducción a la IA y el aprendizaje profundo
Lección 02
- ¿Qué es la IA y el Aprendizaje Profundo?
- Breve historia de la IA
- Resumen: SL, UL y RL
- Aprendizaje Profundo: Éxitos de la Última Década
- Demostración y Debates: Detección de Objetos en Autos Autónomos
- Aplicaciones del Aprendizaje Profundo
- Desafíos del aprendizaje profundo
- Demostración y Debates: Análisis de Sentimientos Usando LSTM
- Ciclo Completo de un Proyecto de Aprendizaje Profundo
- Conclusiones clave
- Comprobación de Conocimientos
Una red neuronal acrítica
Lección 03
- Neurona Biológica vs Perceptrón
- Red Neuronal Superficial
- Formando una Percepción
- Código de demostración #1: Percepción (Clasificación lineal)
- Retropropagación
- Función de Activación, Funciones y Retropropagación
- Código de demostración #2: Función de Activación
- Código de demostración #3: Ilustración de retropropagación
- Optimizando
- Regularización
- Capa de abandono
- Código de demostración #4: Ilustración de Dropout, Ejercicio de fin de lección (Conjunto de datos de clasificación de Kaggle).
- Conclusiones clave
- Comprobación de Conocimientos
- Lección - proyecto final
Red Neuronal Profunda y Herramientas
Lección 04
- Red Neuronal Profunda: Por qué y Aplicaciones
- Diseñando una red neuronal profunda
- ¿Cómo elegir tu función de pérdida?
- Herramientas para Modelos de Aprendizaje Profundo
- Keras y sus Elementos
- Código de Demostración #5: Construir un Modelo de Aprendizaje Profundo - - - Utilizando Keras
- TensorFlow y su ecosistema
- Código de Demostración #6: Construir un Modelo de Aprendizaje Profundo - - - Utilizando Tensorflow
- TFlearn
- Pytorch y sus Elementos
- Código de Demostración #7: Construir un Modelo de Aprendizaje Profundo - - - Utilizando Pytorch
- Código de demostración #8: Ejercicio de fin de lección
- Conclusiones clave
- Comprobación de conocimientos
- Proyecto de fin de lección
Optimización de Red Neuronal Profunda, ajuste, interpretabilidad
Lección 05
- Algoritmos de Optimización
- SGD, Momentum, NAG, Adagrad, Adadelta, RMSprop, Adam
- Código de demostración #9: Conjunto de datos MNIST
- Normalización por Lotes
- Código de demostración #10
- Gradientes Explosivos y Desvanecientes
- Ajuste de Hiperparámetros
- Código de demostración #11
- Interpretabilidad
- Código de demostración#12: MNIST– Fin de la lección
- Proyecto con lecciones de interpretabilidad
- Ancho vs Profundidad
- Puntos clave
- Comprobación de conocimientos
- Proyecto de fin de lección
Red Neuronal Convolucional
Lección 06
- Éxito y Historia
- Diseño y Arquitectura de la Red CNN
- Código de demostración #13: Keras
- Código de demostración #14: Clasificación de dos tipos de imágenes (Kaggle), utilizando Keras
- Modelos Convolutivos Profundos
- Puntos clave
- Comprobación de conocimientos
- Proyecto de fin de lección
Redes Neuronales Recurrentes
Lección 07
- Datos de secuencia
- Sentido del Tiempo
- Introducción a las RNN
- Código de demostración #5: Predicción del precio de las acciones con RNN
- LSTM (Conjunto de datos de ventas minoristas Kaggle)
- Código de demostración #16: Incrustación de palabras y LSTM
- Código de Demostración #17: Análisis de Sentimientos (Crítica de Película)
- Conclusiones clave
- Comprobación de Conocimientos
- Lección - proyecto final
Autoencoders
Lección 08
- Introducción y Autoencoders
- Aplicaciones de Autoencoders
- Autoencoder para la Detección de Anomalías
- Código de Demostración #19: Modelo de Autoencoder para Datos MNIST
- Comprobación de Conocimientos
- Lección - fin del Proyecto
Proyecto: Modelo de Clasificación de Mascotas Usando CNN
Proyecto 01
El curso incluye un proyecto real basado en la industria. La evaluación satisfactoria de
el proyecto forma parte de los criterios de elegibilidad para la certificación:
En este proyecto, construirá un modelo CNN que clasifique correctamente las imágenes de mascotas proporcionadas en imágenes de perros y gatos. Se proporciona una plantilla de código con bloques de código esenciales. Se puede utilizar TensorFlow para entrenar los datos y calcular la puntuación de precisión en los datos de prueba.
Resultados de aprendizaje
Al finalizar este Curso de eLearning de Deep Learning con Keras y TensorFlow, podrás:
Comprender los conceptos de Keras y TensorFlow, sus principales funciones, operaciones y el flujo de ejecución
Implementar algoritmos de aprendizaje profundo, comprender las redes neuronales y atravesar las capas de abstracción de datos
Dominar y comprender temas avanzados como las redes neuronales convolucionales, redes neuronales recurrentes, entrenamiento de redes profundas e interfaces de alto nivel
Construír modelos de aprendizaje profundo utilizando los frameworks Keras y TensorFlow e interpreta los resultados
Comprender el idioma y los conceptos fundamentales de las redes neuronales artificiales, la aplicación de autoencoders y Pytorch y sus elementos
Solucionar problemas y mejorar modelos de aprendizaje profundo
Construye tu proyecto de aprendizaje profundo
Diferenciar entre aprendizaje automático, aprendizaje profundo e inteligencia artificial
Características clave
34 horas de aprendizaje mixto
Un proyecto final de curso basado en la industria
Aprendizaje interactivo con laboratorios integrados en cuadernos Jupyter
Sesión de mentoría especializada por parte de profesores expertos en la industria
¿Quién debería inscribirse en este programa?
Los estudiantes necesitan poseer un título universitario o un diploma de escuela secundaria. Familiaridad con los fundamentos de programación, una comprensión justa de los conceptos básicos de estadística y matemáticas, y un buen entendimiento de los conceptos de aprendizaje automático.
Ingeniero de IA
Científico de Datos
Ingeniero de Software
Estudiantes en programas de pregrado/posgrado
Analista de Datos
¿Necesitas una solución corporativa o integración de LMS?
¿No encontraste el curso o programa que encajaría para tu empresa? ¿Necesitas integración con un LMS? ¡Escríbenos! ¡Resolveremos todo!