Curso Deep Learning

Deep learning

Domina las técnicas más avanzadas de Deep Learning y crea potentes Redes Neuronales

Curso Deep Learning

Tiempo de estudio: 45 horas

Duración 6 semanas

Tutelados: Seguimiento continuo

Ejercicios Prácticos

100% Bonificable Fundae

Plazas Limitadas

Próxima convocatoria:

26 de septiembre

335,00

IVA no incluido

¿Eres autónomo, desempleado, estudiante?¿No puedes bonificar el curso? Consúltanos los descuentos para colectivos.
resumen curso

Resumen del curso

profesor del curso

El profesor

temario y objetivos del curso

Temario y objetivos

opiniones de alumnos

Opiniones

Preguntas frecuentes

FAQ

resumen

Curso Deep Learning

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 y el framework Tensorflow / Keras y Python.

Tensorflow

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.

Crea redes neuronales

En este curso aprenderá desde cero todo lo necesario para convertirse 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.

Proyectos Deep Learning Profesionales

Al finalizar el curso podrá crear potentes proyectos de Deep Learning a nivel profesional siendo capaz de extraer el máximo provecho a sus datos.
Tendrá a su disposición un material extenso de consulta y todos los scripts explicados durante esta especialización de tal manera que le sea muy sencillo reutilizarlos para su caso de uso concreto. Mi objetivo es que cuando finalice el curso pueda aplicarlo de inmediato a su situación particular.

Es el momento de que pase a la acción, tomando este curso conseguirá 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.

    Curso Deep Learning

    profesor

    Iván Pinar

    Iván Pinar

    Ingeniero de Telecomunicación apasionado por la gestión de proyectos y equipos de trabajo, así como promover la cultura de la mejora continua y el aprendizaje constante utilizando las últimas tecnologías.
    Director de Operaciones responsable de PMO en el sector de las telecomunicaciones. Master en Dirección de Proyectos por ESDEN Business School, Certificado PMP & Scrum Master (PSM I) / Master Project Management Business Executive Internet of Things – MIOTI

     

    Cursos de Iván Pinar

    temario

    0. Introducción
    1. Introducción a Deep Learning

    1.1          ¿Qué es Machine Learning y Deep Learning?

    1.2          Instalación de entorno Python y librerías Deep Learning

    1.3          Aprendizaje supervisado

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

    1.5          Evaluación de rendimiento de modelos – Métricas de Clasificación

    1.6          Evaluación de rendimiento de modelos – Métricas de Regresión

    1.7          Aprendizaje no supervisado

    2. Redes neuronales artificiales (ANN)

    2.1          ¿Qué es una neurona y el modelo perceptrón?

    2.2          ¿Qué son las redes neuronales?

    2.3          Funciones de activación

    2.4          Funciones de activación en modelos multiclase

    2.5          Funciones de Coste y de Gradiente Descendente

    2.6          Propagación hacia atrás (backpropagation)

    2.7          Claves para crear redes neuronales efectivas

    2.8          ¿Qué nos proporciona Tensorflow y Keras?

    2.9          Regresión con Keras – Presentación caso práctico

    2.10       Regresión con Keras – Importación de librerías y fuentes

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

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

    2.13       Regresión con Keras – División Train / Test

    2.14       Regresión con Keras – Escalado

    2.15       Regresión con Keras – Creación de modelo

    2.16       Regresión con Keras – Entrenamiento del modelo

    2.17       Regresión con Keras – Evaluación y Predicción

    2.18       Clasificación binaria con Keras – Presentación caso práctico

    2.19       Clasificación binaria con Keras – Importación de librerías y fuentes

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

    2.21       Clasificación binaria con Keras – División Train / Test

    2.22       Clasificación binaria con Keras – Escalado

    2.23       Clasificación binaria con Keras – Creación de modelo

    2.24       Clasificación binaria con Keras – Entrenamiento del modelo

    2.25       Clasificación binaria con Keras – Evaluación y Predicción

    2.26       Clasificación multiclase con Keras – Presentación caso práctico

    2.27       Clasificación multiclase con Keras – Importación de librerías y fuentes

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

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

    2.30       Clasificación multiclase con Keras – División Train / Test

    2.31       Clasificación multiclase con Keras – Escalado

    2.32       Clasificación multiclase con Keras – Creación de modelo

    2.33       Clasificación multiclase con Keras – Entrenamiento del modelo

    2.34       Clasificación multiclase con Keras – Evaluación y Predicción

    2.35       Clasificación multiclase con Keras – Monitorización con Tensorboard

    3. Redes neuronales convolucionales (CNN)

    3.1          Introducción a las redes neuronales convolucionales (CNN)

    3.2          ¿Qué son los filtros de imagen y los kernels?

    3.3          Capas convolucionales en una CNN

    3.4          Capas pooling en una CNN

    3.5          Clasificación imágenes Blanco y Negro – Presentación caso práctico

    3.6          Clasificación imágenes Blanco y Negro – Importación de librerías y fuentes

    3.7          Clasificación imágenes Blanco y Negro – Preprocesado

    3.8          Clasificación imágenes Blanco y Negro – Creación del modelo

    3.9          Clasificación imágenes Blanco y Negro – Entrenamiento del modelo

    3.10       Clasificación imágenes Blanco y Negro – Evaluación y Predicción

    3.11       Clasificación imágenes RGB – Presentación caso práctico

    3.12       Clasificación imágenes RGB – Importación de librerías y fuentes

    3.13       Clasificación imágenes RGB – Preprocesado

    3.14       Clasificación imágenes RGB – Creación del modelo

    3.15       Clasificación imágenes RGB – Entrenamiento del modelo

    3.16       Clasificación imágenes RGB – Evaluación y Predicción

    4. Redes neuronales recurrentes (RNN)

    4.1          Introducción a las redes neuronales recurrentes (RNN)

    4.2          Neuronas LSTM

    4.3          Creación de batches en RNN

    4.4          Forecast RNN – Presentación caso práctico

    4.5          Forecast RNN – Importación de librerías y fuentes

    4.6          Forecast RNN – Preprocesado

    4.7          Forecast RNN – División Train / Test

    4.8          Forecast RNN – Escalado

    4.9          Forecast RNN – Creación Generador Serie Temporal

    4.10       Forecast RNN – Creación del modelo

    4.11       Forecast RNN – Entrenamiento del modelo

    4.12       Forecast RNN – Evaluación y Predicción

    5. Redes neuronales en Aprendizaje No Supervisado

    5.1          Introducción a las redes neuronales en aprendizaje no supervisado

    5.2          ¿Qué son los autoencoders en una red neuronal?

    5.3          NN No Supervisado – Presentación caso práctico

    5.4          NN No Supervisado – Importación de librerías y fuentes

    5.5          NN No Supervisado – Preprocesado

    5.6          NN No Supervisado – Escalado

    5.7          NN No Supervisado – Estimación número de clusters

    5.8          NN No Supervisado – Creación del modelo

    5.9          NN No Supervisado – Entrenamiento del modelo

    5.10       NN No Supervisado – Evaluación y Predicción de clusters

    6. Conclusiones

    objetivos

    Curso Deep Learning e Inteligencia artificial- Redes neuronales con Tensorflow 2

    • Dominar las técnicas de Deep Learning desde cero y con explicaciones sencillas.
    • Profundizar en los conceptos de Inteligencia Artificial, Machine Learning y Deep Learning.
    • Conocer los diferentes tipos de Redes Neuronales, valorar cuál es el más adecuado y optimizarlas.
    • Creación de Redes Neuronales Automáticas (ANN) con Tensorflow para aplicarlas en su proyecto de inicio a fin.
    • Creación de Redes Neuronales Convolucionales (CNN) con Tensorflow siendo capaz de crear proyectos basados en imágenes de inicio a fin.
    • Creación de Redes Neuronales Recurrentes (RNN) con Tensorflow y predecir series temporales.
    • Predecir el futuro gracias a los modelos de Machine Learning para conseguir la ventaja competitiva
    • Dar un enorme valor añadido tanto en su compañía como negocio personal
    • Adquirir un conocimiento extenso en la tecnología puntera de Inteligencia Artificial que podrás aplicar de inmediato a tu día a día

    requisitos

    • Toda persona que quiera aprender las tecnologías punteras de Machine Learning y Deep Learning.
    • Toda persona que quiera 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.
    • Cualquier persona que quiera predecir el futuro y crear potentes proyectos para solucionar múltiples problemas que existen en nuestro entorno.

    faq

    Quiero bonificar el curso pero en mi empresa NO sabe cómo hacerlo

    Podemos encargarnos, no te preocupes. Tiene un coste de un 10% sobre el importe del curso. Y este importe también es bonificable.

    Quiero bonificar el curso y mi empresa se encargará de los trámites.

    En este caso ponte en contacto con nosotros y te haremos llegar toda la documentación del curso para que podáis dar de alta la acción y grupo formativo.

    ¿Obtengo diploma de certificación?

    Ofrecemos dos certificados:

    • Alumnos que bonifican el curso:
      • Certificado de asistencia al curso: para obtener este certificado debes haber completado el 75% del curso.
      • Certificado de aprovechamiento: Si has completado el curso y has realizado todas las pruebas prácticas del curso, y la media de tu calificación es igual o superior a 6.
    • Todos los alumnos:
      • Insignia de participación: si realizas el curso completo pero tu nota en los ejercicios del curso es inferior a un 6.
      • Insignia de aprovechamiento: si realizas el curso completo y tu nota en los ejercicios del curso es igual o superior a 6.
    ¿Cómo de estrictos son los plazos?

    Los cursos están pensados entre dos fechas, para tener disponible al profesor y resto de alumnos para resolver dudas. Si no lo terminas a tiempo, seguirás teniendo acceso a la plataforma con todo el material disponible. Sin embargo, no tendrás a los profesores a tu disposición, aunque sí a otros alumnos que puedan estar en tu misma situación.Los alumnos que bonifiquen el curso tendrán que completarlo en los plazos especificados, al menos con un 75% de las actividades del curso completadas, y unos tiempos de conexión a la plataforma acordes a los tiempos de dedicación del curso. De no ser así no se podrá aplicar bonificación sobre el curso.

    Soy autónomo, ¿puedo bonificar el curso?

    Lamentablemente no. Sólo pueden bonificar los cursos tus empleados si los tienes. Ponte en contacto con nsotros y te ofreceremos un descuento.

    No encuentro la forma de realizar el pago en la web

    No puedes pagar el curso a través de la web. Rellena el formulario del curso que te interese y un miembro del equipo de trainingIT se pondrá en contacto contigo.

    Cuando finalice el curso ¿seguiré teniendo acceso al curso?

    Si, una vez finalice el curso podrás seguir accediendo a os materiales del mismo. Pero los profesores ya no atenderán el curso.

    ¿Y si no resido en España?

    No supone ningún problema. Si estás contratado por una empresa española, y tienes contrato en España podrás bonificar el curso igualmente. Si no es tu caso podrás realizar el curso por tu cuenta.