1 – Introducción a Deep Learning
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
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
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
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
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
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
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)
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
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
You are here:
Deep Learning: domina las redes neuronales con Tensorflow y Python
Duración: 48 horas ONLINE | Ref (5020)
Consulte becas o como hacer el curso sin coste.
CURSO ID
5020
MODALIDAD
ONLINE
FAMILIA
137
HORAS
48 horas
INICIO
INMEDIATO
DURACIÓN
11 semanas
Valoraciones
No hay valoraciones aún.