Curso de Deep Learning de la A a la Z y crea algoritmos en Python - Frogames Formación
Precio
79,99 €
Tipo Cursos
Modalidad Online / A distancia
En Docenzia te asesoramos de forma gratuita para que escojas el mejor programa formativo que se adapte a tus necesidades y así poder mejorar tu carrera profesional. ¡Contáctanos para ayudarte!
Enviar WhatsApp
Te llamamosRecibir más información
-
Tipo
Cursos
-
Modalidad
Online / A distancia
-
Duración / Créditos
33 h.
-
Fechas
Matric. Permanente
-
Sedes
Palma
Información general
DESCRIPCIÓN:
Este centro ofrece un programa formativo centrado en el aprendizaje profundo (Deep Learning) de la A a la Z. A través de este curso, los estudiantes tienen la oportunidad de especializarse en una de las ramas más relevantes y prometedoras de la inteligencia artificial: el Machine Learning.
Ampliando sus conocimientos en este campo, los participantes adquieren todas las habilidades y herramientas necesarias para comprender e implementar algoritmos de Deep Learning en Python. El programa formativo de Frogames Formación proporciona una sólida base teórica junto con ejemplos prácticos y proyectos que les permiten aplicar los conceptos aprendidos en situaciones reales. Con la orientación de instructores expertos, los estudiantes pueden explorar los diferentes aspectos del aprendizaje profundo y descubrir nuevas oportunidades en áreas como el procesamiento del lenguaje natural, la visión por computadora y mucho más.
Ampliando sus conocimientos en este campo, los participantes adquieren todas las habilidades y herramientas necesarias para comprender e implementar algoritmos de Deep Learning en Python. El programa formativo de Frogames Formación proporciona una sólida base teórica junto con ejemplos prácticos y proyectos que les permiten aplicar los conceptos aprendidos en situaciones reales. Con la orientación de instructores expertos, los estudiantes pueden explorar los diferentes aspectos del aprendizaje profundo y descubrir nuevas oportunidades en áreas como el procesamiento del lenguaje natural, la visión por computadora y mucho más.
ASPECTOS A TENER EN CUENTA
FINALIDAD DEL PROGRAMA FORMATIVO:
- Introducción a las redes neuronales y al Deep Learning
- Fundamentos matemáticos para el Deep Learning
- Uso de frameworks populares, como TensorFlow y PyTorch
- Entrenamiento de modelos de Deep Learning
- Redes convolucionales y su aplicación en imágenes
- Redes recurrentes y su aplicación en texto y voz
- Redes generativas y su aplicación en la generación de imágenes y texto
- Desarrollo de proyectos de Deep Learning desde cero
```Python
# Ejemplo de algoritmo para clasificar imágenes con una red neuronal convolucional utilizando TensorFlow
import tensorflow as tf
# Cargar conjunto de datos de entrenamiento y prueba
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
# Normalizar imágenes
x_train = x_train.astype("float32") / 255
x_test = x_test.astype("float32") / 255
# Convertir etiquetas a formato one-hot
y_train = tf.keras.utils.to_categorical(y_train)
y_test = tf.keras.utils.to_categorical(y_test)
# Crear modelo
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Conv2D(32, kernel_size=(3, 3), activation="relu", input_shape=(28, 28, 1)))
model.add(tf.keras.layers.MaxPooling2D(pool_size=(2, 2)))
model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(10, activation="softmax"))
# Compilar modelo
model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"])
# Entrenar modelo
model.fit(x_train.reshape(-1, 28, 28, 1), y_train, epochs=5, validation_data=(x_test.reshape(-1, 28, 28, 1), y_test))
# Evaluar modelo
model.evaluate(x_test.reshape(-1, 28, 28, 1), y_test)
```
- Fundamentos matemáticos para el Deep Learning
- Uso de frameworks populares, como TensorFlow y PyTorch
- Entrenamiento de modelos de Deep Learning
- Redes convolucionales y su aplicación en imágenes
- Redes recurrentes y su aplicación en texto y voz
- Redes generativas y su aplicación en la generación de imágenes y texto
- Desarrollo de proyectos de Deep Learning desde cero
```Python
# Ejemplo de algoritmo para clasificar imágenes con una red neuronal convolucional utilizando TensorFlow
import tensorflow as tf
# Cargar conjunto de datos de entrenamiento y prueba
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
# Normalizar imágenes
x_train = x_train.astype("float32") / 255
x_test = x_test.astype("float32") / 255
# Convertir etiquetas a formato one-hot
y_train = tf.keras.utils.to_categorical(y_train)
y_test = tf.keras.utils.to_categorical(y_test)
# Crear modelo
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Conv2D(32, kernel_size=(3, 3), activation="relu", input_shape=(28, 28, 1)))
model.add(tf.keras.layers.MaxPooling2D(pool_size=(2, 2)))
model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(10, activation="softmax"))
# Compilar modelo
model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"])
# Entrenar modelo
model.fit(x_train.reshape(-1, 28, 28, 1), y_train, epochs=5, validation_data=(x_test.reshape(-1, 28, 28, 1), y_test))
# Evaluar modelo
model.evaluate(x_test.reshape(-1, 28, 28, 1), y_test)
```
¿A quién va dirigido?
- Estudiantes de ciencias de la computación y programación que deseen aprender sobre Deep Learning.
- Profesionales del campo de la inteligencia artificial interesados en ampliar sus conocimientos en Deep Learning.
- Ingenieros de software que quieran adquirir habilidades en el ámbito del Deep Learning.
- Investigadores en aprendizaje automático que deseen especializarse en Deep Learning.
- Científicos de datos que buscan aplicar técnicas avanzadas de Deep Learning en sus proyectos.
- Desarrolladores de software interesados en crear aplicaciones y soluciones basadas en Deep Learning.
- Estudiantes y académicos que estén investigando en el área de aprendizaje automático y busquen profundizar en el tema del Deep Learning.
- Profesionales del campo de la inteligencia artificial interesados en ampliar sus conocimientos en Deep Learning.
- Ingenieros de software que quieran adquirir habilidades en el ámbito del Deep Learning.
- Investigadores en aprendizaje automático que deseen especializarse en Deep Learning.
- Científicos de datos que buscan aplicar técnicas avanzadas de Deep Learning en sus proyectos.
- Desarrolladores de software interesados en crear aplicaciones y soluciones basadas en Deep Learning.
- Estudiantes y académicos que estén investigando en el área de aprendizaje automático y busquen profundizar en el tema del Deep Learning.
TEMARIO
¡Bienvenido al curso de Deep Learning de la A a la Z!
(44:39) Materiales y Updates del Curso
(49:37)
(00:00) Idea de las Redes Neuronales Artificiales
(1:47:21) Construir una Red Neuronal Artificial
(1:46:15) Reto Final: ¿Deberíamos despedirnos de ese cliente?
(21:19) Evaluar, Mejorar y Ajustar la RNA
(1:00:52) Reto Final: A por la medalla de oro del podio
(00:00)
(00:00) Idea de las RNC
(2:00:13) Construir una RNC
(1:42:33) Reto final - ¿Qué animal es ese?
(16:04) Evaluar, Mejorar y Ajustar la RNC
(00:00)
(00:00) Idea de las RNR
(1:43:11) Construir una RNR
(2:44:50)
(00:00) Idea de los SOM
(2:00:37) Construir un SOM
(1:15:21) Mega Caso de Estudio
(45:17)
(00:00) Idea de las Máquinas de Boltzmann
(1:48:12) Construir una Máquina de Boltzmann
(3:43:33)
(00:00) Idea de los Auto Encoders
(1:02:37) Construir un Auto Encoder
(2:56:57) Conceptos Básicos del Aprendizaje Automático
(00:00) Idea de la Regresión y la Clasificación
(37:50) Plantilla de Preprocesado de Datos
(2:00:47) Plantilla de Clasificación
(48:25) BONUS: Extras exclusivos por adquirir el curso en Frogames
(17:57) Enhorabuena por completar Deep Learning de la A a la Z
(03:14)
(44:39) Materiales y Updates del Curso
(49:37)
Parte 1: Redes Neuronales Artificiales
(00:00) Idea de las Redes Neuronales Artificiales
(1:47:21) Construir una Red Neuronal Artificial
(1:46:15) Reto Final: ¿Deberíamos despedirnos de ese cliente?
(21:19) Evaluar, Mejorar y Ajustar la RNA
(1:00:52) Reto Final: A por la medalla de oro del podio
(00:00)
Parte 2: RNC
(00:00) Idea de las RNC
(2:00:13) Construir una RNC
(1:42:33) Reto final - ¿Qué animal es ese?
(16:04) Evaluar, Mejorar y Ajustar la RNC
(00:00)
Parte 3: RNR
(00:00) Idea de las RNR
(1:43:11) Construir una RNR
(2:44:50)
Parte 4: SOM
(00:00) Idea de los SOM
(2:00:37) Construir un SOM
(1:15:21) Mega Caso de Estudio
(45:17)
Parte 5: BM
(00:00) Idea de las Máquinas de Boltzmann
(1:48:12) Construir una Máquina de Boltzmann
(3:43:33)
Parte 6: AE
(00:00) Idea de los Auto Encoders
(1:02:37) Construir un Auto Encoder
(2:56:57) Conceptos Básicos del Aprendizaje Automático
(00:00) Idea de la Regresión y la Clasificación
(37:50) Plantilla de Preprocesado de Datos
(2:00:47) Plantilla de Clasificación
(48:25) BONUS: Extras exclusivos por adquirir el curso en Frogames
(17:57) Enhorabuena por completar Deep Learning de la A a la Z
(03:14)
SALIDAS PROFESIONALES
Con esta formación podrás ejercer como profesional cualificado en puestos de trabajo de:
- - Analista de datos
- - Científico de datos
- - Ingeniero de machine learning
- - Desarrollador de inteligencia artificial
- - Ingeniero de software de aprendizaje automático
- - Investigador en aprendizaje profundo
- - Especialista en procesamiento de lenguaje natural
- - Ingeniero de visión por computadora
- - Arquitecto de redes neuronales
TE RECOMENDAMOS VER TAMBIÉN
En los siguientes enlaces podrás ver programas formativos similares:
UBICACIONES DE NUESTRAS SEDES
-
Palma
Carrer de Cartagena, 22, 07009 Palma, Illes Balears
Opiniones
No hay opiniones registradas para este curso
