This course was created with the
course builder. Create your online course today.
Start now
Create your course
with
Autoplay
Autocomplete
Previous Lesson
Complete and Continue
Máster Redes Neuronales-Deep Learning con Tensorflow 2
BLOQUE 1: Introducción a Deep Learning
1.1 ¿Qué es Machine Learning y Deep Learning? (6:50)
1.2 Instalación de entorno Python y librerías Deep Learning (6:07)
1.3 Aprendizaje supervisado (5:24)
1.4 ¿Qué es el overfitting / underfitting en el aprendizaje supervisado? (6:30)
1.5 Evaluación de rendimiento de modelos - Métricas de Clasificación (11:43)
1.6 Evaluación de rendimiento de modelos - Métricas de Regresión (5:37)
1.7 Aprendizaje no supervisado (5:33)
DESCARGA DATASETS & SCRIPTS DEEP LEARNING
BLOQUE 2: Redes neuronales artificiales (ANN)
2.1 ¿Qué es una neurona y el modelo perceptrón? (4:36)
2.2 ¿Qué son las redes neuronales? (2:37)
2.3 Funciones de activación (4:57)
2.4 Funciones de activación en modelos multiclase (5:40)
2.5 Funciones de Coste y de Gradiente Descendente (7:03)
2.6 Propagación hacia atrás (backpropagation) (6:52)
2.7 Claves para crear redes neuronales efectivas (3:46)
2.8 ¿Qué nos proporciona Tensorflow y Keras? (2:15)
2.9 Regresión con Keras - Presentación caso práctico (1:29)
2.10 Regresión con Keras - Importación de librerías y fuentes (4:15)
2.11 Regresión con Keras - Análisis de datos (EDA) + Preprocesado (I) (8:30)
2.12 Regresión con Keras - Análisis de datos (EDA) + Preprocesado (II) (6:39)
2.13 Regresión con Keras - División Train / Test (2:03)
2.14 Regresión con Keras - Escalado (2:18)
2.15 Regresión con Keras - Creación de modelo (3:39)
2.16 Regresión con Keras - Entrenamiento del modelo (3:51)
2.17 Regresión con Keras - Evaluación y Predicción (6:49)
2.18 Clasificación binaria con Keras - Presentación caso práctico (1:30)
2.19 Clasificación binaria con Keras - Importación de librerías y fuentes (1:48)
2.20 Clasificación binaria con Keras - Análisis de datos (EDA) + Preprocesado (8:32)
2.21 Clasificación binaria con Keras - División Train / Test (2:04)
2.22 Clasificación binaria con Keras - Escalado (1:21)
2.23 Clasificación binaria con Keras - Creación de modelo (3:11)
2.24 Clasificación binaria con Keras - Entrenamiento del modelo (6:46)
2.25 Clasificación binaria con Keras - Evaluación y Predicción (3:18)
2.26 Clasificación multiclase con Keras - Presentación caso práctico (1:58)
2.27 Clasificación multiclase con Keras - Importación de librerías y fuentes (1:25)
2.28 Clasificación multiclase con Keras - Análisis de datos (EDA) + Preprocesado (I) (16:06)
2.29 Clasificación multiclase con Keras - Análisis de datos (EDA) + Preprocesado (II) (8:48)
2.30 Clasificación multiclase con Keras - División Train / Test (2:00)
2.31 Clasificación multiclase con Keras - Escalado (0:45)
2.32 Clasificación multiclase con Keras - Creación de modelo (2:23)
2.33 Clasificación multiclase con Keras - Entrenamiento del modelo (2:27)
2.34 Clasificación multiclase con Keras - Evaluación y Predicción (7:26)
2.35 Clasificación multiclase con Keras - Monitorización con Tensorboard (6:22)
BLOQUE 3: Redes neuronales convolucionales (CNN)
3.1 Introducción a las redes neuronales convolucionales (CNN) (3:21)
3.2 ¿Qué son los filtros de imagen y los kernels? (5:58)
3.3 Capas convolucionales en una CNN (5:21)
3.4 Capas pooling en una CNN (4:19)
3.5 Clasificación imágenes Blanco y Negro - Presentación caso práctico (1:41)
3.6 Clasificación imágenes Blanco y Negro - Importación de librerías y fuentes (2:20)
3.7 Clasificación imágenes Blanco y Negro - Preprocesado (7:18)
3.8 Clasificación imágenes Blanco y Negro - Creación del modelo (4:42)
3.9 Clasificación imágenes Blanco y Negro - Entrenamiento del modelo (2:52)
3.10 Clasificación imágenes Blanco y Negro - Evaluación y Predicción (3:33)
3.11 Clasificación imágenes RGB - Presentación caso práctico (1:27)
3.12 Clasificación imágenes RGB - Importación de librerías y fuentes (3:16)
3.13 Clasificación imágenes RGB - Preprocesado (12:05)
3.14 Clasificación imágenes RGB - Creación del modelo (2:25)
3.15 Clasificación imágenes RGB - Entrenamiento del modelo (2:00)
3.16 Clasificación imágenes RGB - Evaluación y Predicción (6:29)
BLOQUE 4: Redes neuronales recurrentes (RNN)
4.1 Introducción a las redes neuronales recurrentes (RNN) (5:00)
4.2 Neuronas LSTM (5:28)
4.3 Creación de batches en RNN (3:20)
4.4 Forecast RNN - Presentación caso práctico (1:13)
4.5 Forecast RNN - Importación de librerías y fuentes (3:17)
4.6 Forecast RNN - Preprocesado (1:14)
4.7 Forecast RNN - División Train / Test (3:41)
4.8 Forecast RNN - Escalado (1:06)
4.9 Forecast RNN - Creación Generador Serie Temporal (2:35)
4.10 Forecast RNN - Creación del modelo (1:55)
4.11 Forecast RNN - Entrenamiento del modelo (1:36)
4.12 Forecast RNN - Evaluación y Predicción (11:12)
BLOQUE 5: Redes neuronales en Aprendizaje No Supervisado
5.1 Introducción a las redes neuronales en aprendizaje no supervisado (2:27)
5.2 ¿Qué son los autoencoders en una red neuronal? (2:19)
5.3 NN No Supervisado - Presentación caso práctico (1:16)
5.4 NN No Supervisado - Importación de librerías y fuentes (1:27)
5.5 NN No Supervisado - Preprocesado (6:52)
5.6 NN No Supervisado - Escalado (0:40)
5.7 NN No Supervisado - Estimación número de clusters (4:26)
5.8 NN No Supervisado - Creación del modelo (4:20)
5.9 NN No Supervisado - Entrenamiento del modelo (1:08)
5.10 NN No Supervisado - Evaluación y Predicción de clusters (5:29)
BLOQUE 6: Conclusiones
6.1 Conclusiones (1:48)
PROYECTO FINAL DEEP LEARNING
Proyecto Final Deep Learning - ANN
1.6 Evaluación de rendimiento de modelos - Métricas de Regresión
Lesson content locked
If you're already enrolled,
you'll need to login
.
Enroll in Course to Unlock