Curso de Phyton + Deep Learning

El Curso de Phyton + Deep Learning  se imparte en modalidad Online.

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.

PRÁCTICAS EN EMPRESA
Incluidas

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.

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.

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.

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
- 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 Learning