Deep Learning: domina las redes neuronales con Tensorflow y Python

Código: DEEPREDESInteligencia artificialDeep learning40 horas

Deep Learning. Redes Neuronales. Tensorflow.Python

Objetivo

Aprender los fundamentos de las redes neuronales de tal manera que se consigan ejecutar casos prácticos reales tanto para aprendizaje supervisado como no supervisado a partir de las librerías Tensorflow y Keras con lenguaje Python.

Dirigido a:

Científicos de datos que quieran aprender las tecnologías punteras de Machine Learning y Deep Learning.
Científicos de datos que quieran profundizar desde cero en el uso de las últimas versiones de Keras y Tensorflow 2.
Analistas de datos que quieran equiparse con un conocimiento avanzado para ejecutar sus proyectos de Machine Learning.
Estudiantes que quieran obtener habilidades que le abrirán puertas en el mercado laboral y la inteligencia artificial.
Cualquier persona que quiera predecir el futuro y crear potentes proyectos para solucionar múltiples problemas que existen en nuestro entorno a partir de datos.

Requisitos:

Es recomendable tener conocimientos básicos de Python, aunque si no se tienen se explicarán los scripts en detalle para entender su funcionamiento y pueda ejecutar proyectos de Deep Learning.

PROGRAMA DEL CURSO

1 - Introducción a Deep Learning

Objetivo

Aprender las bases de las redes neuronales y preparación del entorno en Python.

Duración de la unidad

4 Horas 10 Minutos

Contenido

Introducción a Deep Learning

¿Qué es Machine Learning y Deep Learning?

Instalación de entorno Python y librerías Deep Learning

Aprendizaje supervisado

Proceso aprendizaje supervisado

¿Qué es el overfitting / underfitting en el aprendizaje supervisado?

Evaluación de rendimiento de modelos - Métricas de Clasificación

Matriz de confusión el modelos de clasificación

Evaluación de rendimiento de modelos - Métricas de Regresión

Aprendizaje no supervisado

Resumen

2 - Redes neuronales artificiales (ANN) - Conceptos Fundamentales

Objetivo

Conocer las claves para crear redes neuronales efectivas y los conceptos fundamentales de las ANN.

Duración de la unidad

3 Horas 40 Minutos

Contenido

Redes neuronales artificiales (ANN) - Conceptos Fundamentales

¿Qué es una neurona y el modelo perceptrón?

¿Qué son las redes neuronales?

Funciones de activación

Funciones de activación en modelos multiclase

Funciones de Coste y de Gradiente Descendente

Propagación hacia atrás (backpropagation)

Claves para crear redes neuronales efectivas

¿Qué nos proporciona Tensorflow y Keras?

Resumen

3 - Redes neuronales artificiales (ANN) - Regresión con Keras y Tensorflow

Objetivo

Construir un caso práctico de regresión de inicio a fin pasando por las etapas de importación, análisis, división, escalado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.

Duración de la unidad

4 Horas 45 Minutos

Contenido

Redes neuronales artificiales (ANN) - Regresión con Keras y Tensorflow

Regresión con Keras - Presentación caso práctico

Regresión con Keras - Importación de librerías y fuentes

Regresión con Keras - Análisis de datos (EDA) + Preprocesado (I)

Regresión con Keras - Análisis de datos (EDA) + Preprocesado (II)

Regresión con Keras - División Train / Test

Regresión con Keras - Escalado

Regresión con Keras - Creación de modelo

Regresión con Keras - Entrenamiento del modelo

Regresión con Keras - Evaluación y Predicción

Resumen

4 - Redes neuronales artificiales (ANN) - Clasificación binaria con Keras y Tensorflow

Objetivo

Construir un caso práctico de clasificación binaria de inicio a fin pasando por las etapas de importación, análisis, división, escalado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.

Duración de la unidad

5 Horas 35 Minutos

Contenido

Redes neuronales artificiales (ANN) - Clasificación binaria con Keras y Tensorflow

Clasificación binaria con Keras - Presentación caso práctico

Clasificación binaria con Keras - Importación de librerías y fuentes

Clasificación binaria con Keras - Análisis de datos (EDA) + Preprocesado

Clasificación binaria con Keras - División Train / Test

Clasificación binaria con Keras - Escalado

Clasificación binaria con Keras - Creación de modelo

Clasificación binaria con Keras - Entrenamiento del modelo

Clasificación binaria con Keras - Evaluación y Predicción

Resumen

5 - Redes neuronales artificiales (ANN) - Clasificación multiclase con Keras y Tensorflow

Objetivo

Construir un caso práctico de clasificación multiclase de inicio a fin pasando por las etapas de importación, análisis, división, escalado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.

Duración de la unidad

5 Horas 10 Minutos

Contenido

Redes neuronales artificiales (ANN) - Clasificación multiclase con Keras y Tensorflow

Clasificación multiclase con Keras - Presentación caso práctico

Clasificación multiclase con Keras - Importación de librerías y fuentes

Clasificación multiclase con Keras - Análisis de datos (EDA) + Preprocesado (I)

Clasificación multiclase con Keras - Análisis de datos (EDA) + Preprocesado (II)

Clasificación multiclase con Keras - División Train / Test

Clasificación multiclase con Keras - Escalado

Clasificación multiclase con Keras - Creación de modelo

Clasificación multiclase con Keras - Entrenamiento del modelo

Clasificación multiclase con Keras - Evaluación y Predicción

Clasificación multiclase con Keras - Monitorización con Tensorboard

Resumen

6 - Redes neuronales convolucionales (CNN) - Clasificaciones imágenes blanco y negro

Objetivo

Construir un caso práctico de clasificación de imágenes blanco y negro de inicio a fin pasando por las etapas de importación, análisis, división, preprocesado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.

Duración de la unidad

4 Horas 05 Minutos

Contenido

Redes neuronales convolucionales (CNN) - Clasificaciones imágenes blanco y negro

Introducción a las redes neuronales convolucionales (CNN)

¿Qué son los filtros de imagen y los kernels?

Capas convolucionales en una CNN

Capas pooling en una CNN

Clasificación imágenes Blanco y Negro - Presentación caso práctico

Clasificación imágenes Blanco y Negro - Importación de librerías y fuentes

Clasificación imágenes Blanco y Negro - Preprocesado

Clasificación imágenes Blanco y Negro - Creación del modelo

Clasificación imágenes Blanco y Negro - Entrenamiento del modelo

Clasificación imágenes Blanco y Negro - Evaluación y Predicción

Resumen

7 - Redes neuronales convolucionales (CNN) - Clasificaciones imágenes en color

Objetivo

Construir un caso práctico de clasificación de imágenes en color de inicio a fin pasando por las etapas de importación, análisis, división, preprocesado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.

Duración de la unidad

3 Horas 20 Minutos

Contenido

Redes neuronales convolucionales (CNN) - Clasificaciones imágenes en color

Clasificación imágenes RGB - Presentación caso práctico

Clasificación imágenes RGB - Importación de librerías y fuentes

Clasificación imágenes RGB - Preprocesado

Clasificación imágenes RGB - Creación del modelo

Clasificación imágenes RGB - Entrenamiento del modelo

Clasificación imágenes RGB - Evaluación y Predicción

Resumen

8 - Redes neuronales recurrentes (RNN)

Objetivo

Comprender las particularidades de las redes neuronales recurrentes y realizar un caso práctico de inicio a fin pasando por las etapas de importación, preprocesado, división, escalado, generador serie temporal, crear el modelo, entrenarlo y conseguir la evaluación y predicción.

Duración de la unidad

4 Horas 25 Minutos

Contenido

Redes neuronales recurrentes (RNN)

Introducción a las redes neuronales recurrentes (RNN)

Neuronas LSTM

Creación de batches en RNN

Forecast RNN - Presentación caso práctico

Forecast RNN - Importación de librerías y fuentes

Forecast RNN - Preprocesado

Forecast RNN - División Train / Test

Forecast RNN - Escalado

Forecast RNN - Creación Generador Serie Temporal

Forecast RNN - Creación del modelo

Forecast RNN - Entrenamiento del modelo

Forecast RNN - Evaluación y Predicción

Resumen

9 - Redes neuronales en Aprendizaje No Supervisado

Objetivo

Comprender cómo podemos beneficiarnos de las redes neuronales en aprendizaje no supervisado y cómo aplicarlas a un caso de uso real de inicio a fin.

Duración de la unidad

4 Horas 50 Minutos

Contenido

Redes neuronales en Aprendizaje No Supervisado

Introducción a las redes neuronales en aprendizaje no supervisado

¿Qué son los autoencoders en una red neuronal?

NN No Supervisado - Presentación caso práctico

NN No Supervisado - Importación de librerías y fuentes

NN No Supervisado - Preprocesado

NN No Supervisado - Escalado

NN No Supervisado - Estimación número de clústeres

NN No Supervisado - Creación del modelo

NN No Supervisado - Entrenamiento del modelo

NN No Supervisado - Evaluación y Predicción de clústeres

Despliegue de servicios Deep Learning

Resumen