Inteligencia Artificial y Deep Learning con Python

U1: Fundamentos de IA y Deep Learning

• Fundamentos de Machine Learning y Deep Learning
• Configuración de Python y librerías para Deep Learning
• Introducción al aprendizaje supervisado
• Comprendiendo el overfitting y underfitting en aprendizaje supervisado
• Métricas para evaluar modelos de Clasificación
• étricas para evaluar modelos de Regresión
• Introducción al aprendizaje no supervisado

U2: Creación de Redes neuronales artificiales (ANN)

• Conceptos básicos de neuronas y perceptrones
• Fundamentos de redes neuronales
• Diferentes funciones de activación
• Funciones de activación para modelos multiclase
• Funciones de Coste y Descenso de Gradiente
• Cómo funciona la retropropagación
• Estrategias para diseñar redes neuronales efectivas
• Ventajas de usar Tensorflow y Keras
• Caso práctico de Regresión con Keras
• Cómo importar librerías y fuentes en Keras
• Análisis de datos y preprocesado en Keras (I)
• Análisis de datos y preprocesado en Keras (II)
• División de datos en Train y Test con Keras
•  Escalado de datos en Keras
• Creación de modelos de Regresión en Keras
• Entrenamiento de modelos de Regresión en Keras
• Evaluación y Predicción en Regresión con Keras
• Caso práctico de Clasificación binaria con Keras
• Importación de librerías y fuentes para Clasificación binaria
• Análisis de datos y preprocesado para 
• Clasificación binaria
• División de datos en Train y Test para Clasificación binaria
• Escalado de datos para Clasificación binaria
• Creación de modelos de Clasificación binaria
• Entrenamiento de modelos de Clasificación binaria
• Evaluación y Predicción en Clasificación binaria con Keras
• Caso práctico de Clasificación multiclase con Keras
• Importación de librerías y fuentes para Clasificación multiclase
• Análisis de datos y preprocesado para Clasificación multiclase (I)
• Análisis de datos y preprocesado para Clasificación multiclase (II)
• División de datos en Train y Test para Clasificación multiclase
• Escalado de datos para Clasificación multiclase
• Creación de modelos de Clasificación multiclase
• Entrenamiento de modelos de Clasificación multiclase
• Evaluación y Predicción en Clasificación multiclase con Keras
•  Monitorización de modelos con Tensorboard

U3: Creación de Redes neuronales convolucionales (CNN)

• Conceptos básicos de redes neuronales convolucionales (CNN)
• Filtros de imagen y kernels en CNN
• Capas convolucionales en redes neuronales
• Capas de pooling en redes neuronales
• Caso práctico de Clasificación de imágenes Blanco y Negro
• Importación de librerías y fuentes para Clasificación de imágenes Blanco y Negro
• Preprocesador de imágenes Blanco y Negro
• Creación de modelos para Clasificación de imágenes Blanco y Negro
• Entrenamiento de modelos para Clasificación de imágenes Blanco y Negro
• Evaluación y Predicción en Clasificación de imágenes Blanco y Negro
• Caso práctico de Clasificación de imágenes RGB
• Importación de librerías y fuentes para Clasificación de imágenes RGB
• Preprocesado de imágenes RGB
• Creación de modelos para Clasificación de imágenes RGB
• Entrenamiento de modelos para Clasificación de imágenes RGB
• Evaluación y Predicción en Clasificación de imágenes RGB

U4: Creación de Redes neuronales recurrentes (RNN)

• Introducción a redes neuronales recurrentes (RNN)
• Redes neuronales LSTM
• Creación de batches en RNN
• Caso práctico de Forecasting con RNN
• Importación de librerías y fuentes para Forecasting con RNN
• Preprocesado de datos para Forecasting con RNN
• División de datos en Train y Test para Forecasting con RNN
• Escalado de datos para Forecasting con RNN
• Creación de generadores de series temporales para Forecasting con RNN
• Desarrollo de modelos de Forecasting con RNN
• ​Entrenamiento de modelos de Forecasting con RNN
• Evaluación y Predicción en Forecasting con RNN

U5: Creación de Redes neuronales en Aprendizaje No Supervisado

• Conceptos básicos de redes neuronales no supervisadas 
• Introducción a los autoencoders en redes neuronales
• Caso práctico de redes neuronales no supervisadas
• Importación de librerías y fuentes para redes neuronales no supervisadas
• Preprocesado de datos para redes neuronales no supervisadas
• Escalado en redes neuronales no supervisadas
• Estimación del número de clusters para redes neuronales no supervisadas
• Creación del modelo para redes neuronales no supervisadas
• Entrenamiento del modelo para redes neuronales no supervisadas
• Evaluación y predicción para redes neuronales no supervisadas

U6: Conclusiones

• Conclusiones

Evaluación del curso

• Este curso contiene un examen final

G-Tools: Para estudiantes

• Acceso exclusivo a herramientas de vanguardia para estudiantes: mejora tu empleabilidad, participa en eventos exclusivos, aprovecha nuestro asistente virtual inteligente y más.

⚑ Certificado de finalización

• Tu certificado digital personalizado, una insignia única de tus logros, con validez internacional, duración del curso y código QR para verificación instantánea.