Redes Neuronales Deep Learning con TensorFlow 2.0

Características Principales

Precio: 220€ IVA INC

null  Duración: 25 HORAS

 Modalidad: ONLINE

null  10% estudiantes y desempleados   20% si te inscribes con otra persona  20% si te inscribes en dos cursos        (Los descuentos no son acumulables)

Descripción:

El objetivo de este curso es darte una guía maestra, fácil de entender para que puedas acometer tus proyectos de Inteligencia Artificial con técnicas Deep Learning y el framework Tensorflow / Keras y Python.

En este curso aprenderás desde cero todo lo necesario para aprender 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 podrás crear potentes proyectos de Deep Learning a nivel profesional 

 

Precio: 220€ IVA inc

25 Horas

Prácticas y exámenes

Certificado de curso

Bonificable a empresas

Temario y ficha descriptiva del curso:

 

Temario del curso: Máster en Redes Neuronales Deep Learning con Tensor Flow 2.0

 

TEMA 1º MACHINE LEARNING Y DEEP LEARNING

 

  • 1º Introducción a Deep Learning
  • 2º Instalación de entorno Python y librerías Deep Learning
  • 3º Aprendizaje supervisado
  • 4º ¿Qué es overfitting / underfitting en el aprendizaje supervisado?
  • 5º Evaluación de rendimiento de modelos – Métricas de clasificación
  • 6º Evaluación de rendimiento de modelos – Métricas de regresión
  • 7º Aprendizaje no supervisado

 

TEMA 2º REDES NEURONALES ARTIFICIALES (ANN)

 

  • 8º Introducción a las redes neuronales
  • 9º ¿Qué son las redes neuronales?
  • 10º Funciones de activación
  • 11º Funciones de activación en modelos multiclase
  • 12º Funciones de coste y gradiente descendiente
  • 13º Backpropagation
  • 14º Claves para crear redes neuronales efectivas
  • 15º ¿Qué nos proporciona Tensor Flow y keras?
  • 16º Caso práctico: Regresión con Keras
  • 17º Regresión con Keras – Procedimiento Deep Learning
  • 18º Regresión con Keras – Procedimiento Deep Learning (2º Parte)
  • 19º Regresión con Keras – Procedimiento Deep Learning (3º Parte)
  • 20º Regresión con Keras – Procedimiento Deep Learning (4º Parte)
  • 21º Regresión con Keras – Procedimiento Deep Learning (5º Parte)
  • 22º Regresión con Keras – Procedimiento Deep Learning (5º Parte)
  • 23º Regresión con Keras – Procedimiento Deep Learning (6º Parte)
  • 24º Regresión con Keras – Procedimiento Deep Learning (6º Parte)
  • 25º Clasificación binaria con Keras
  • 26º Clasificación binaria con Keras (2º Parte)
  • 27º Análisis de Datos (EDA) + Preprocesado
  • 28º Train Test Split
  • 29º Escalado de la clasificación binaria
  • 30º Creación del modelo
  • 31º Entrenamiento del modelo
  • 32º Evaluación del modelo
  • 33º Caso práctico: Clasificación multiclase con Keras
  • 34º Caso práctico: Clasificación multiclase con Keras (2º Parte)
  • 35º Caso práctico: Clasificación multiclase con Keras (3º Parte)
  • 36º Caso práctico: Clasificación multiclase con Keras (4º Parte)
  • 37º Caso práctico: Clasificación multiclase con Keras (5º Parte)
  • 38º Caso práctico: Clasificación multiclase con Keras (6º Parte)
  • 39º Caso práctico: Clasificación multiclase con Keras (7º Parte)
  • 40º Caso práctico: Clasificación multiclase con Keras (8º Parte)
  • 41º Caso práctico: Clasificación multiclase con Keras (9º Parte)
  • 42º Caso práctico: Clasificación multiclase con Keras (10º Parte)

 

TEMA 3º REDES NEURONALES CONVOLUCIONALES (CNN)

 

  • 43º Introducción a las redes convolucionales (CNN)
  • 44º ¿Qué son los filtros de imagen y los kernels?
  • 45º Capas convolucionales en una CNN
  • 46º Capas pooling en una CNN
  • 47º Caso práctico: Clasificación de imágenes de blanco y negro
  • 48º Clasificación de imágenes – Procedimiento Deep Learning
  • 49º Clasificación de imágenes – Procedimiento Deep Learning (2º Parte)
  • 50º Clasificación de imágenes – Procedimiento Deep Learning (3º Parte)
  • 51º Clasificación de imágenes – Procedimiento Deep Learning (4º Parte)
  • 52º Clasificación de imágenes – Procedimiento Deep Learning (5º Parte)
  • 53º Caso práctico: Clasificación de imágenes RGB
  • 54º Caso práctico: Clasificación de imágenes RGB (2º Parte)
  • 55º Caso práctico: Clasificación de imágenes RGB (3º Parte)
  • 56º Caso práctico: Clasificación de imágenes RGB (4º Parte)
  • 57º Caso práctico: Clasificación de imágenes RGB (5º Parte)
  • 58º Caso práctico: Clasificación de imágenes RGB (6º Parte)

 

TEMA 4º REDES NEURONALES RECURRENTES (RNN)

 

  • 59º Introducción a las Redes Neuronales Recurrentes (RNN)
  • 60º Neuronas LSTM
  • 61º Creación de batches en RNN
  • 62º Caso práctico: Forecast RNN Temperatura
  • 63º Forecast RNN Keras – Procedimiento Deep Learning (1º Parte)
  • 64º Forecast RNN Keras – Procedimiento Deep Learning (2º Parte)
  • 65º Forecast RNN Keras – Procedimiento Deep Learning (3º Parte)
  • 66º Forecast RNN Keras – Procedimiento Deep Learning (4º Parte)
  • 67º Forecast RNN Keras – Procedimiento Deep Learning (5º Parte)
  • 68º Forecast RNN Keras – Procedimiento Deep Learning (6º Parte)
  • 69º Forecast RNN Keras – Procedimiento Deep Learning (7º Parte)
  • 70º Forecast RNN Keras – Procedimiento Deep Learning (8º Parte)

 

TEMA 5º REDES NEURONALES EN APRENDIZAJE NO SUPERVISADO

 

  • 71º Introducción a las redes neuronales en el aprendizaje no supervisado
  • 72º ¿Qué son los autocoders en una red neuronal?
  • 73º Caso práctico: NN No supervisado
  • 74º NN No supervisado – Procedimiento Deep Learning (1º Parte)
  • 75º NN No supervisado – Procedimiento Deep Learning (2º Parte)
  • 76º NN No supervisado – Procedimiento Deep Learning (3º Parte)
  • 77º NN No supervisado – Procedimiento Deep Learning (4º Parte)
  • 78º NN No supervisado – Procedimiento Deep Learning (5º Parte)
  • 79º NN No supervisado – Procedimiento Deep Learning (6º Parte)
  • 80º NN No supervisado – Procedimiento Deep Learning (7º Parte)
  • 81º Conclusiones finales
  • Proyecto Final: Deep Learning ANN

 

 

Objetivo del curso:

 

  • 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 Automáticas (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 de inicio a fin.
  • Creación de Redes Neuronales Recurrentes (RNN) con Tensorflow y predecir series temporales.
  • Predecir el futuro gracias a los modelos de Machine Learning para conseguir la ventaja competitiva
  • Adquirirá un conocimiento extenso en la tecnología puntera de Inteligencia Artificial que podrá aplicar de inmediato a su día a día.
  • El curso tiene un coste de 220€ IVA incluido

Una vez inscrito, el alumno recibirá las claves de acceso al curso durante un periodo de 3 meses desde su matriculación.

  • Una vez inscrito en el curso Online, tendrás acceso a todo el contenido durante los próximos 3 meses 
  • Podrás realizar el curso a través de tu ordenador, móvil o tablet para realizar el curso cómodamente y a tu ritmo
  • Durante el curso tendrás que completar 5 temas dedicados,  prácticas y exámenes tipo test durante la formación.
  • En el momento que lo necesites podrás efectuar tus consultas al formador, a través de correo electrónico, para resolver tus dudas relativas al curso.
  • Una vez finalizada la formación, te enviaremos un Certificado del curso emitido por Culture Lab TS S.L. 

Requisitos del curso: 

 

  • Es necesario disponer de experiencia previa en el lenguaje de programación Python para realizar adecuadamente este curso.
  • Es preciso disponer de un ordenador con conexión a Internet.
  • La empresa  podrá solicitar la bonificación del curso a través de FUNDAE (Antigua Fundación Tripartita) 
  • Culture Lab facilitará a la empresa solicitante la documentación necesaria para que la empresa pueda dar de alta el proceso de bonificación del curso.
  • El curso dispone de una bonificación máxima aplicable del 100% en modalidad Online siempre y cuando la empresa disponga de los créditos necesarios para solicitar la bonificación.

El crédito disponible para las empresas durante el presente ejercicio se calcula a partir de dos datos: lo cotizado por la empresa en concepto de Formación Profesional en el año anterior y el tamaño de su plantilla, que determinará el porcentaje del importe cotizado al cual tiene derecho la empresa:

  •  Empresas de 1 a 9 trabajadores: 100%.
  •  De 10 a 49 trabajadores: 75%.
  •  De 50 a 249 trabajadores: 60%.
  •  De 250 o más trabajadores: 50%.

 

  • Durante la impartición del curso Culture Lab se encargará  de los controles de asistencia diarios de los alumnos, así como de las encuestas de evaluación finales, las cuales serán entregadas al responsable de la empresa al finalizar el curso. 

Descuentos y promociones*:

 

  • 10% de descuento para estudiantes y desempleados
  • 15% de descuento si te inscribes con otra persona
  • 15% de descuento si realizas dos cursos

*(Los descuentos presentados no son acumulables)

Consulta todas tus dudas y peticiones

Acepto la Clausula de Protección de datos personales:

Siguiendo la normativa del reglamento del RGPD; En nombre de Culturelab TS S.L. tratamos la información que nos facilita con el fin de prestarles el servicio solicitado, en concreto la información sobre los cursos o realizar la facturación . Los datos proporcionados se conservarán mientras se mantenga la relación comercial o durante los años necesarios para cumplir con las obligaciones legales. Los datos no se cederán a terceros salvo en los casos en que exista una obligación legal. Usted tiene derecho a obtener confirmación sobre si en Culturelab TS S.L. estamos tratando sus datos personales por tanto tiene derecho a acceder a sus datos personales, rectificar los datos inexactos o solicitar su supresión cuando los datos ya no sean necesarios.
Asimismo solicito su autorización para ofrecerle productos y servicios relacionados con los solicitados y fidelizarle como cliente.

Redes Neuronales Deep Learning con TensorFlow 2.0

Crea potentes proyectos de Deep Learning a nivel profesional