Información del curso

Curso

On-line

Descripción

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.

Temario

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

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.

Objetivos

Formar a los estudiantes 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.

Prácticas

Prácticas en empresa incluidas.

Perspectivas laborales

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.

Curso de Python + Deep Learning