Curso de Redes Neuronales con Python y Tensorflow

> Domina Deep Learning desde cero con Python y Tensorflow 2 / Keras creando potentes redes neuronales con inteligencia artificial.### >

¿Quiere dominar las técnicas más avanzadas de Deep Learning y crear potentes Redes Neuronales desde cero?

El objetivo de este curso es darte una guía fácil de entender para que pueda acometer sus proyectos de Inteligencia Artificial con técnicas Deep Learning utilizando el framework Tensorflow / Keras y Python.

Tensorflow es una librería open source creada originalmente por Google para computación numérica utilizando grafos y flujos de datos. Nos permite crear redes neuronales con las que realizar un modelado de los datos aprendiendo de nuestras fuentes para poder realizar predicciones automáticas, emulando el comportamiento de las neuronas en los seres humanos.

Tensorflow es utilizada por las más potentes compañías alrededor del mundo como Airbnb, Ebay, Dropbox, Snapchat, Twitter, Uber, SAP, Qualcomm, IBM, Intel y por supuesto Google.

El curso está impartido por un tutor altamente cualificado con experiencia práctica en proyectos de Deep Learning. Su guía experta te asegura una formación de calidad, combinando conocimientos teóricos con aplicaciones prácticas. Además, contarás con un departamento de atención al alumno dedicado a resolver cualquier duda o problema que surja durante el curso.

En este curso aprenderás desde cero todo lo necesario para convertirte en un maestro de Deep Learning, instalaremos paso a paso el framework de Python y las librerías necesarias para que finalmente sea capaz de crear redes neuronales artificiales (ANN), redes neuronales convolucionales (CNN) para tratamiento de imágenes, redes neuronales recurrentes (RNN) para trabajar con secuencias de datos como previsiones temporales y redes neuronales en aprendizaje no supervisado para acometer proyectos de clusterización, detección de anomalías, etc.

Al finalizar el curso podrás crear potentes proyectos de Deep Learning a nivel profesional siendo capaz de extraer el máximo provecho a sus datos.

Este curso tendrá un enfoque eminentemente práctico, cada bloque contendrá casos prácticos explicados paso a paso para que entienda y aplique de inmediato el proceso a seguir en un proyecto de Deep Learning.

Además, tendrás a tu disposición un material extenso de consulta y todos los scripts explicados durante esta especialización, de tal manera que te sea muy sencillo reutilizarlos para tu caso de uso concreto. El objetivo es que cuando finalices el curso puedas aplicarlo de inmediato a tu situación particular.

Es el momento de que pases a la acción, tomando este curso conseguirás dominar la tecnología más puntera de Deep Learning, lo cual supone obtener una habilidad muy importante para poder destacar sobre el resto y conseguir sacar el máximo provecho de sus datos y de su tiempo con inteligencia artificial.

Al finalizar, el alumno será capaz de:

• Dominar técnicas de Deep Learning desde cero y conceptos clave de IA, Machine Learning y Deep Learning.
• Crear y optimizar ANN, CNN y RNN con Tensorflow.
• Aplicar redes neuronales en proyectos de imágenes y secuencias de datos.
• Desarrollar Redes Neuronales para aprendizaje no supervisado en clusterización, detección de anomalías y reducción de dimensionalidad.
• Predecir con modelos de Machine Learning para ventaja competitiva.
• Añadir valor en la compañía y a nivel personal con conocimientos prácticos en IA aplicables inmediatamente.

Para la realización de este curso, se requiere que el alumnado disponga de conocimientos avanzados en programación.

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. Descarga Datasets & Scripts Deep learning
2. Redes neuronales artificiales (ANN)
   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. Regresión con Keras – Presentación caso práctico
   10. Regresión con Keras – Importación de librerías y fuentes
   11. Regresión con Keras – Análisis de datos (EDA) + Preprocesado I
   12. Regresión con Keras – Análisis de datos (EDA) + Preprocesado II
   13. Regresión con Keras – División Train /Test
   14. Regresión con Keras – Escalado
   15. Regresión con Keras – Creación de modelo
   16. Regresión con Keras - Entrenamiento del modelo
   17. Regresión con Keras – Evaluación y predicción
   18. Clasificación binaria con Keras – Importación de librerías y fuentes
   19. Clasificación binaria con Keras – Análisis de datos (EDA) + preprocesado
   20. Clasificación binaria con Keras – División Train /Test
   21. Clasificación binaria con Keras – Escalado
   22. Clasificación binaria con Keras – Creación de modelo
   23. Clasificación binaria con Keras – Entrenamiento del modelo
   24. Clasificación binaria con Keras – Evaluación y Predicción
   25. Clasificación multiclase con Keras – Presentación caso práctico
   26. Clasificación multiclase con Keras - Importación de librerías y fuentes
   27. Clasificación multiclase con Keras – Análisis de datos (EDA) + Preprocesado I
   28. Clasificación multiclase con Keras – Análisis de datos (EDA) + Preprocesado II
   29. Clasificación multiclase con Keras – División Train/Test
   30. Clasificación multiclase con Keras - Escalado
   31. Clasificación multiclase con Keras – Creación de modelo
   32. Clasificación multiclase con Keras - Evaluación y predicción
   33. Clasificación multiclase con Keras – Monitorización con Tensorboard
3. Redes neuronales convolucionales (CNN)
   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. Clasificación imágenes RGB – Presentación caso práctico
   12. Clasificación imágenes RGB – Importación de librerías y fuentes
   13. Clasificación imágenes RGB - Preprocesado
   14. Clasificación imágenes RGB – Creación del modelo
   15. Clasificación imágenes RGB – Entrenamiento del modelo
   16. Clasificación imágenes RGB – Evaluación y predicción
4. 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
5. 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 clusters
   8. NN No supervisado - Creación del modelo
   9. NN no supervisado – Entrenamiento del modelo
   10. NN no supervisado - Evaluación y predicción de clusters
6. Conclusiones