Máster Redes Neuronales Online. Python y Tensorflow
Conoce las redes neuronales a través de Python y TensorFlow. A través de este máster podrás conocer qué son, cómo funcionan y cómo programarlas.
Nivel: Avanzado | Duración: 80 h
Formación 100% bonificable para empresas
Formación Redes Neuronales Online
Presentación
Objetivos
Público
¿Para qué sirven las Redes Neuronales, Python y Tensorflow?
FUNDAE
Formación In Company
Presentación
Las redes neuronales son componentes esenciales del aprendizaje profundo, una disciplina del aprendizaje automático (machine learning) que ha revolucionado diversos campos. Estas estructuras, inspiradas en la función cerebral, procesan datos complejos mediante capas interconectadas de nodos, aprendiendo patrones y representaciones significativas. Estas redes consisten en nodos interconectados con la capacidad de aprender y reconocer patrones complejos en grandes conjuntos de datos. Mediante el aprendizaje automático ajustan sus conexiones para mejorar su capacidad de realizar diferentes tareas. El aprendizaje profundo, que involucra redes neuronales profundas y complejas, ha demostrado ser particularmente efectivo en abordar desafíos de análisis de datos en una amplia gama de campos.
Objetivos
Los objetivos de este curso online sobre redes neuronales e inteligencia artificial son:
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.
Adquirirá un conocimiento extenso en la tecnología puntera de Inteligencia Artificial que podrá aplicar de inmediato a su día a día.
Público
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.
¿Para qué sirven las Redes Neuronales, Python y Tensorflow?
Las redes neuronales, dentro del deep learning, empeñan tarjetas completas de la inteligencia artificial. A través de bibliotecas como TensorFlow en Python, las redes neuronales procesan datos como imágenes y texto para extraer las características esenciales. Se pueden ampliar en muchos aspectos, como en el reconocimiento de imágenes, la traducción automática y el análisis de texto, entre otras. Gracias al machine learning, las redes aprenden patrones y representaciones de datos, impulsando avances en tecnologías como vehículos autónomos, diagnósticos médicos y análisis de datos a gran escala.
FUNDAE
Este curso online cumple con todos los requisitos exigidos por FUNDAE para ser 100 % bonificable para empresas, siempre que dispongan del crédito formativo suficiente para realizar la formación.
Como entidad organizadora, contamos con la ventaja de poder gestionar las bonificaciones que le corresponden al cliente e impartir la formación directamente sin intermediarios, pudiendo tener una visión integral desde el diseño, impartición y optimización de la gestión de su propio plan de formación con un único proveedor.
Si quieres consultar tu crédito anual disponible, contáctanos y en menos de 48 horas te haremos llegar tu informe.
Formación In Company
Ofrecemos formación In Company para empresas:
Servicio absolutamente personalizado en horario, fechas, contenidos, duración y lugar de impartición. Si su empresa dispone de la necesidad de actualizar a sus empleados en cualquiera de sus sedes dentro del país, nosotros le proporcionamos la mejor solución, facilitándole el experto más adecuado a los perfiles requeridos y desarrollando un temario adaptado a sus necesidades.
Modalidades
- Autoestudio
- Inicio Inmediato
- No Bonificable FUNDAE
- Test de evaluación
- Soporte e-mail
- Duración: 80h
- Precio: 280 €
- Tutorizado
- Inicio día 5 de cada mes
- 100% Bonificable FUNDAE
- Tutor Personalizado
- Tareas semanales + proyecto
- Duración: 80h
- Precio: 600€
Próximas Convocatorias
DIC
Máster Redes Neuronales Online. Python y Tensorflow
ENE
Máster Redes Neuronales Online. Python y Tensorflow
FEB
Máster Redes Neuronales Online. Python y Tensorflow
Temario
Máster Redes Neuronales Online. Python y Tensorflow
- ¿Qué es Machine Learning y Deep Learning?
- Instalación de entorno Python y librerías Deep Learning
- Aprendizaje supervisado
- ¿Qué es el overfitting / underfitting en el aprendizaje supervisado?
- Evaluación de rendimiento de modelos – Métricas de Clasificación
- Evaluación de rendimiento de modelos – Métricas de Regresión
- Aprendizaje no supervisado
- DESCARGA DATASETS & SCRIPTS CASOS PRÁCTICOS
- ¿Qué es una neurona y el modelo perceptrón?
- ¿Qué son las redes neuronales?
- Funciones de activación
- Funciones de activación en modelos multiclase
- Funciones de Coste y de Gradiente Descendente
- Propagación hacia atrás (backpropagation)
- Claves para crear redes neuronales efectivas
- ¿Qué nos proporciona Tensorflow y Keras?
- Regresión con Keras – Presentación caso práctico
- Regresión con Keras – Importación de librerías y fuentes
- Regresión con Keras – Análisis de datos (EDA) + Preprocesado (I)
- Regresión con Keras – Análisis de datos (EDA) + Preprocesado (II)
- Regresión con Keras – División Train / Test
- Regresión con Keras – Escalado
- Regresión con Keras – Creación de modelo
- Regresión con Keras – Entrenamiento del modelo
- Regresión con Keras – Evaluación y Predicción
- Clasificación binaria con Keras – Presentación caso práctico
- Clasificación binaria con Keras – Importación de librerías y fuentes
- Clasificación binaria con Keras – Análisis de datos (EDA) + Preprocesado
- Clasificación binaria con Keras – División Train / Test
- Clasificación binaria con Keras – Escalado
- Clasificación binaria con Keras – Creación de modelo
- Clasificación binaria con Keras – Entrenamiento del modelo
- Clasificación binaria con Keras – Evaluación y Predicción
- Clasificación multiclase con Keras – Presentación caso práctico
- Clasificación multiclase con Keras – Importación de librerías y fuentes
- Clasificación multiclase con Keras – Análisis de datos (EDA) + Preprocesado (I)
- Clasificación multiclase con Keras – Análisis de datos (EDA) + Preprocesado (II)
- Clasificación multiclase con Keras – División Train / Test
- Clasificación multiclase con Keras – Escalado
- Clasificación multiclase con Keras – Creación de modelo
- Clasificación multiclase con Keras – Entrenamiento del modelo
- Clasificación multiclase con Keras – Evaluación y Predicción
- Introducción a las redes neuronales convolucionales (CNN)
- ¿Qué son los filtros de imagen y los kernels?
- Capas convolucionales en una CNN
- Capas pooling en una CNN
- Clasificación imágenes Blanco y Negro – Presentación caso práctico
- Clasificación imágenes Blanco y Negro – Importación de librerías y fuentes
- Clasificación imágenes Blanco y Negro – Preprocesado
- Clasificación imágenes Blanco y Negro – Creación del modelo
- Clasificación imágenes Blanco y Negro – Entrenamiento del modelo
- Clasificación imágenes Blanco y Negro – Evaluación y Predicción
- Clasificación imágenes RGB – Presentación caso práctico
- Clasificación imágenes RGB – Importación de librerías y fuentes
- Clasificación imágenes RGB – Preprocesado
- Clasificación imágenes RGB – Creación del modelo
- Clasificación imágenes RGB – Entrenamiento del modelo
- Clasificación imágenes RGB – Evaluación y Predicción
- Introducción a las redes neuronales recurrentes (RNN)
- Neuronas LSTM
- Creación de batches en RNN
- Forecast RNN – Presentación caso práctico
- Forecast RNN – Importación de librerías y fuentes
- Forecast RNN – Preprocesado
- Forecast RNN – División Train / Test
- Forecast RNN – Escalado
- Forecast RNN – Creación Generador Serie Temporal
- Forecast RNN – Creación del modelo
- Forecast RNN – Entrenamiento del modelo
- Forecast RNN – Evaluación y Predicción
- Introducción a las redes neuronales en aprendizaje no supervisado
- ¿Qué son los autoencoders en una red neuronal?
- NN No Supervisado – Presentación caso práctico
- NN No Supervisado – Importación de librerías y fuentes
- NN No Supervisado – Preprocesado
- NN No Supervisado – Escalado
- NN No Supervisado – Estimación número de clusters
- NN No Supervisado – Creación del modelo
- NN No Supervisado – Entrenamiento del modelo
- NN No Supervisado – Evaluación y Predicción de clusters
- Conclusiones
- Próximos Pasos
- Clase Extra – Cupones Descuento
