Máster Redes Neuronales-Deep Learning con Tensorflow 2
Domina Deep Learning desde cero con Python y Tensorflow 2 / Keras creando potentes redes neuronales con inteligencia artificial
Vídeo Promo
¿Quiere dominar las técnicas más avanzadas de Deep Learning y crear potentes Redes Neuronales desde cero?
El objetivo de este curso es darte una guía fácil de entender para que pueda acometer sus proyectos de Inteligencia Artificial con técnicas Deep Learning y el framework Tensorflow / Keras y Python.
Tensorflow es una librería open source creada originalmente por Google para computación numérica utilizando grafos y flujos de datos. Nos permite crear redes neuronales con las que realizar un modelado de los datos aprendiendo de nuestras fuentes para poder realizar predicciones automáticas, emulando el comportamiento de las neuronas en los seres humanos.
Tensorflow es utilizada por las más potentes compañías alrededor del mundo como Airbnb, Ebay, Dropbox, Snapchat, Twitter, Uber, SAP, Qualcomm, IBM, Intel y por supuesto Google.
En este curso aprenderá desde cero todo lo necesario para convertirse en un maestro de Deep Learning, instalaremos paso a paso el framework de Python y las librerías necesarias para que finalmente sea capaz de crear redes neuronales artificiales (ANN), redes neuronales convolucionales (CNN) para tratamiento de imágenes, redes neuronales recurrentes (RNN) para trabajar con secuencias de datos como previsiones temporales y redes neuronales en aprendizaje no supervisado para acometer proyectos de clusterización, detección de anomalías, etc.
Al finalizar el curso podrá crear potentes proyectos de Deep Learning a nivel profesional siendo capaz de extraer el máximo provecho a sus datos.
Este curso tendrá un enfoque eminentemente práctico, cada bloque contendrá casos prácticos explicados paso a paso para que entienda y aplique de inmediato el proceso a seguir en un proyecto de Deep Learning.
Tendrá a su disposición un material extenso de consulta y todos los scripts explicados durante esta especialización de tal manera que le sea muy sencillo reutilizarlos para su caso de uso concreto. Mi objetivo es que cuando finalice el curso pueda aplicarlo de inmediato a su situación particular.
No tiene nada que perder, tendrá una garantía de 30 días para asegurar que está 100% satisfecho con el material, mi objetivo es aportarle valor con todos estos conocimientos y si no es así siéntase libre de solicitar la devolución, aunque estoy seguro de que cumplirá sus expectativas.
Es el momento de que pase a la acción, tomando este curso conseguirá dominar la tecnología más puntera de Deep Learning, lo cual supone obtener una habilidad muy importante para poder destacar sobre el resto y conseguir sacar el máximo provecho de sus datos y de su tiempo con inteligencia artificial.
Curriculum
-
Inicio1.1 ¿Qué es Machine Learning y Deep Learning? (6:50)
-
Inicio1.2 Instalación de entorno Python y librerías Deep Learning (6:07)
-
Inicio1.3 Aprendizaje supervisado (5:24)
-
Vista Preliminar1.4 ¿Qué es el overfitting / underfitting en el aprendizaje supervisado? (6:30)
-
Inicio1.5 Evaluación de rendimiento de modelos - Métricas de Clasificación (11:43)
-
Inicio1.6 Evaluación de rendimiento de modelos - Métricas de Regresión (5:37)
-
Inicio1.7 Aprendizaje no supervisado (5:33)
-
InicioDESCARGA DATASETS & SCRIPTS DEEP LEARNING
-
Inicio2.1 ¿Qué es una neurona y el modelo perceptrón? (4:36)
-
Inicio2.2 ¿Qué son las redes neuronales? (2:37)
-
Inicio2.3 Funciones de activación (4:57)
-
Inicio2.4 Funciones de activación en modelos multiclase (5:40)
-
Inicio2.5 Funciones de Coste y de Gradiente Descendente (7:03)
-
Inicio2.6 Propagación hacia atrás (backpropagation) (6:52)
-
Inicio2.7 Claves para crear redes neuronales efectivas (3:46)
-
Inicio2.8 ¿Qué nos proporciona Tensorflow y Keras? (2:15)
-
Inicio2.9 Regresión con Keras - Presentación caso práctico (1:29)
-
Inicio2.10 Regresión con Keras - Importación de librerías y fuentes (4:15)
-
Inicio2.11 Regresión con Keras - Análisis de datos (EDA) + Preprocesado (I) (8:30)
-
Inicio2.12 Regresión con Keras - Análisis de datos (EDA) + Preprocesado (II) (6:39)
-
Inicio2.13 Regresión con Keras - División Train / Test (2:03)
-
Inicio2.14 Regresión con Keras - Escalado (2:18)
-
Inicio2.15 Regresión con Keras - Creación de modelo (3:39)
-
Inicio2.16 Regresión con Keras - Entrenamiento del modelo (3:51)
-
Inicio2.17 Regresión con Keras - Evaluación y Predicción (6:49)
-
Inicio2.18 Clasificación binaria con Keras - Presentación caso práctico (1:30)
-
Inicio2.19 Clasificación binaria con Keras - Importación de librerías y fuentes (1:48)
-
Inicio2.20 Clasificación binaria con Keras - Análisis de datos (EDA) + Preprocesado (8:32)
-
Inicio2.21 Clasificación binaria con Keras - División Train / Test (2:04)
-
Inicio2.22 Clasificación binaria con Keras - Escalado (1:21)
-
Inicio2.23 Clasificación binaria con Keras - Creación de modelo (3:11)
-
Inicio2.24 Clasificación binaria con Keras - Entrenamiento del modelo (6:46)
-
Inicio2.25 Clasificación binaria con Keras - Evaluación y Predicción (3:18)
-
Inicio2.26 Clasificación multiclase con Keras - Presentación caso práctico (1:58)
-
Inicio2.27 Clasificación multiclase con Keras - Importación de librerías y fuentes (1:25)
-
Inicio2.28 Clasificación multiclase con Keras - Análisis de datos (EDA) + Preprocesado (I) (16:06)
-
Inicio2.29 Clasificación multiclase con Keras - Análisis de datos (EDA) + Preprocesado (II) (8:48)
-
Inicio2.30 Clasificación multiclase con Keras - División Train / Test (2:00)
-
Inicio2.31 Clasificación multiclase con Keras - Escalado (0:45)
-
Inicio2.32 Clasificación multiclase con Keras - Creación de modelo (2:23)
-
Inicio2.33 Clasificación multiclase con Keras - Entrenamiento del modelo (2:27)
-
Inicio2.34 Clasificación multiclase con Keras - Evaluación y Predicción (7:26)
-
Inicio2.35 Clasificación multiclase con Keras - Monitorización con Tensorboard (6:22)
-
Inicio3.1 Introducción a las redes neuronales convolucionales (CNN) (3:21)
-
Inicio3.2 ¿Qué son los filtros de imagen y los kernels? (5:58)
-
Vista Preliminar3.3 Capas convolucionales en una CNN (5:21)
-
Inicio3.4 Capas pooling en una CNN (4:19)
-
Inicio3.5 Clasificación imágenes Blanco y Negro - Presentación caso práctico (1:41)
-
Inicio3.6 Clasificación imágenes Blanco y Negro - Importación de librerías y fuentes (2:20)
-
Inicio3.7 Clasificación imágenes Blanco y Negro - Preprocesado (7:18)
-
Inicio3.8 Clasificación imágenes Blanco y Negro - Creación del modelo (4:42)
-
Inicio3.9 Clasificación imágenes Blanco y Negro - Entrenamiento del modelo (2:52)
-
Inicio3.10 Clasificación imágenes Blanco y Negro - Evaluación y Predicción (3:33)
-
Inicio3.11 Clasificación imágenes RGB - Presentación caso práctico (1:27)
-
Inicio3.12 Clasificación imágenes RGB - Importación de librerías y fuentes (3:16)
-
Inicio3.13 Clasificación imágenes RGB - Preprocesado (12:05)
-
Inicio3.14 Clasificación imágenes RGB - Creación del modelo (2:25)
-
Inicio3.15 Clasificación imágenes RGB - Entrenamiento del modelo (2:00)
-
Vista Preliminar3.16 Clasificación imágenes RGB - Evaluación y Predicción (6:29)
¡Empieza Ahora!
LO QUE APRENDERÁ
A través de diferentes casos prácticos conseguirá:
- Dominar las técnicas de Deep Learning desde cero y con
explicaciones sencillas.
- Profundizar en los conceptos de Inteligencia Artificial, Machine Learning y Deep Learning.
- Conocer los diferentes tipos de Redes Neuronales, valorar cuál es el más adecuado y optimizarlas.
- Creación de Redes Neuronales Artificiales (ANN) con Tensorflow para aplicarlas en su proyecto de inicio a fin.
- Creación de Redes Neuronales Convolucionales (CNN) con Tensorflow siendo capaz de crear proyectos basados en imágenes.
- Creación de Redes Neuronales Recurrentes (RNN) con Tensorflow para trabajar con secuencias de datos como previsiones temporales o secuencias de texto.
- Creación de Redes Neuronales enfocadas en aprendizaje no supervisado para abordar proyectos de clusterización, detección de anomalías o reducción de dimensionalidad.
- Predecir el futuro gracias a los modelos de Machine Learning para conseguir la ventaja competitiva.
- Dar un enorme valor añadido tanto en su compañía como en el ámbito personal.
- Adquirirá un conocimiento extenso en la tecnología puntera de Inteligencia Artificial que podrá aplicar de inmediato a su día a día.
¿A QUIÉN ESTÁ DIRIGIDO EL CURSO?
- Toda persona que quiera aprender las tecnologías punteras
de Machine Learning y Deep Learning.
- Toda persona que quiera profundizar desde cero en el uso de las últimas versiones de Keras y Tensorflow 2.
- Analistas de datos que quieran equiparse con un conocimiento avanzado para ejecutar sus proyectos de Machine Learning.
- Estudiantes que quieran obtener habilidades que le abrirán puertas en el mercado laboral y la inteligencia artificial.
- Cualquier persona que quiera predecir el futuro y crear potentes proyectos para solucionar múltiples problemas que existen en nuestro entorno
¡Empieza Ahora!
"Curso pedagógicamente hablando perfecto, fácil explicado y directo al grano. El curso tiene la teoría básica y necesaria, con mucha practica para asentar todo el conocimiento. El soporte del profesor es excelente, contestando toda duda en muy poco tiempo y de forma extensa para poder entender correctamente nuestras dudas. Recomiendo encarecidamente este curso si quieres realizar un curso serio y eficaz. saludos a todos, gracias Iván, buen trabajo."
- Manuel Martínez
"El curso es excelente, proporciona un conocimiento general, sencillo y claro de conceptos y herramientas de "Deep Learning para el análisis de datos", utiliza las metodologías más importantes con aplicación practica, me permitió incursionar en la programación Python sin mayores temores, generando en mí, la inquietud de seguir profundizando en temas interés."
- John Fredy
Instructor
- Ingeniero de Telecomunicación apasionado por la tecnología, la gestión de proyectos y promover la cultura de mejora continua.
- Business Intelligence Expert en el sector de las Telecomunicaciones.
- Master en Dirección de Proyectos por ESDEN Business School.
- Certificación PMP & Scrum Master (PSM I) / Master Project Management.
- Mi misión es poder ayudar al máximo número de personas posible a alcanzar sus objetivos.