Curso de Python + Deep Learning Online / Distancia en Escuela MUSK

Dirigido a:

REQUISITOS

No existen requisitos previos ya que el enfoque del curso está destinado a formar a los alumnos desde cero en las competencias profesionales en Inteligencia artificial.

Comentarios:

El deep learning, o aprendizaje profundo, parte del machine learning para, a partir de una gran cantidad de datos y tras numerosas capas de procesamiento con algoritmos, conseguir que un ordenador termine aprendiendo por cuenta propia y realizando tareas similares a las de los seres humanos, como la identificación de imágenes, el reconocimiento del habla o la realización de predicciones, de forma progresiva. Leer más


OBJETIVOS DEL CURSO

Formar a nuestros alumnos para que logren hacer que las computadoras o las máquinas imiten el comportamiento humano y, con ello, lleguen a realizar diferentes tareas que anteriormente las hacían únicamente personas.


SALIDAS PROFESIONALES

Al final de este curso, los alumnos estarán preparados para dar el salto al mundo profesional, con varias especialidades y un currículum actualizado y reforzado. Por ello, el campo laboral de estos expertos es muy amplio, desde áreas de análisis de datos, desarrollo de software, marketing y publicidad, industria, investigación e innovación.


PRÁCTICAS EN EMPRESA

- IncluidasLeer menos

Introducción al Deep Learning

MÓDULO 1: FUNDAMENTOS DE DEEP LEARNING

Tema 1: Introducción al Deep Learning
- ¿Qué es el Deep Learning?
- Evolución del Deep Learning
- Deep Learning vs Machine Learning
- Aplicaciones del Deep Learning

Tema 2: Redes Neuronales Artificiales
- Fundamentos de las redes neuronales Leer más
- Arquitectura de una red neuronal: neuronas, capas, activaciones
- Propagación hacia adelante y hacia atrás (Forward y Backpropagation)
- Funciones de activación: Sigmoid, ReLU, Tanh

Tema 3: Herramientas y Librerías
- Introducción a las librerías de Deep Learning: TensorFlow, Keras, PyTorch
- Instalación y configuración de TensorFlow y Keras - Texto: Instalación y configuración de PyTorch


MÓDULO 2: MODELOS DE DEEP LEARNING

Tema 1: Redes Neuronales Convolucionales (CNN)
- Fundamentos de las CNN
- Arquitectura y funcionamiento de una CNN
- Aplicaciones de las CNN en visión por computadora

Tema 2: Redes Neuronales Recurrentes (RNN)
- Fundamentos de las RNN
- Arquitectura y funcionamiento de una RNN
- LSTM y GRU: Mejoras a las RNN tradicionales
- Aplicaciones de las RNN en procesamiento de lenguaje natural

Tema 3: Modelos Avanzados de Deep Learning
- Introducción a las Redes Generativas Antagónicas (GANs)
- Funcionamiento y aplicaciones de las GANs
- Introducción a los Transformers
- Funcionamiento y aplicaciones de los Transformers


MÓDULO 3: ENTRENAMIENTO Y OPTIMIZACIÓN

Tema 1: Preparación y Preprocesamiento de Datos
- Importancia de los datos en Deep Learning
- Técnicas de preprocesamiento de datos
- Aumentación de datos y técnicas de regularización

Tema 2: Entrenamiento de Modelos
- Configuración del proceso de entrenamiento
- Optimización: Funciones de costo y algoritmos de optimización
- Técnicas para evitar el overfitting

Tema 3: Evaluación y Mejora de Modelos
- Evaluación de modelos de Deep Learning
- Métricas de evaluación: precisión, recall, F1-score
- Técnicas de ajuste de hiperparámetros


MÓDULO 4: IMPLEMENTACIÓN Y DESPLIEGUE

Tema 1: Implementación de Modelos en Producción
- Desafíos en la implementación de modelos
- Herramientas para el despliegue de modelos: TensorFlow Serving, ONNX

Tema 2: Deep Learning en la Nube
- Ventajas del uso de la nube para Deep Learning
- Principales proveedores de servicios en la nube: AWS, GCP, Azure
- Implementación de modelos en la nube


MÓDULO 5: FUTURO DEL DEEP LEARNING

Tema 1: Tendencias Actuales en Deep Learning
- Innovaciones recientes en Deep Learning
- Deep Learning en hardware: TPU, GPU

Tema 2: Desafíos y Oportunidades Futuras
- Ética y Deep Learning
- Oportunidades futuras en Deep LearningLeer menos