Curso de Redes Neuronales con Python y Tensorflow

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

Con este curso tendrás una guía fácil de entender para realizar proyectos de Inteligencia Artificial con técnicas Deep Learning y framework Tensorflow/Keras y Python. Dominando la tecnología más puntera de Deep Learning obtendrás una gran habilidad para que tu perfil profesional destaque sobre el resto.

¿Qué es Tensorflow? Se trata de una librería open source creada por Google para computación numérica utilizando grafos y flujos de datos. Permite crear redes neuronales con las que realizar un modelado de los datos aprendiendo de nuestras fuentes y así hacer predicciones automáticas, emulando el comportamiento de las neuronas en los seres humanos.

Con este curso de “Redes neuronales con Python y Tensorflow” te convertirás en experto de Deep Learning, aprendiendo la instalación del framework de Python y las librerías para crear redes neuronales artificiales (ANN), redes neuronales convolucionales (CNN) para las imágenes y redes neuronales recurrentes (RNN) para trabajar secuencias de datos como previsiones temporales, además de redes neuronales en aprendizaje no supervisado para realizar proyectos de clusterización o detección de anomalías, entre otros.

El enfoque de este curso es eminentemente práctico, con casos prácticos al final de cada tema para aplicar los conocimientos adquiridos en ese bloque y poder realizar, finalmente, un proyecto de Deep Learning. Para ello, el material aportado para este curso es extenso y con todos los scripts explicados de manera que sea sencillos reutilizarlos para que, cuando finalice el curso, el alumno pueda aplicarlo.

¿Qué aprenderá el alumno?

• Introducción al Machine y Deep Learning, así como al Python. Qué es el overfittin y el underfitting en el aprendizaje supervisado. Evaluación de rendimiento de modelos tanto con métricas de clasificación como de regresión. Qué es el aprendizaje no supervisado y la descarga Datasets&Scripts Deep learning.

• Qué son las Redes neuronales convolucionales (CNN), los filtros de imagen y los kernels, las capas convolucionales y las pooling en una CNN, así como la clasificación de las imágenes en Blanco y Negro y en RGB.

• Qué son las Redes neuronales recurrentes (RNN), las neuronas LSTM, creación de batches en RNN y el forecast RNN.

• Las redes neuronales en Aprendizaje no supervisado, qué son los autoencoders en una red neuronal y los diferentes tipos de NN No Supervisado.

Objetivos del programa

¿A quien está dirigo?

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