Certificado
Recibirás un certificado digital al aprobar el curso.
40 horas · 100% online · certificado
Deep Learning: redes neuronales con TensorFlow y Python
Aprender los fundamentos de las redes neuronales de tal manera que se consigan ejecutar casos prácticos reales tanto para aprendizaje supervisado como no supervisado a partir de las librerías Tensorflow y Keras con lenguaje Python.
INSCRIPCIÓN ONLINE
$220.000
Hasta 12 cuotas con Mercado Pago
40 horas · 100% online · certificado
¿Lo toma tu empresa? Lo puedes pagar con tu franquicia SENCE.
Certificado al terminar
Sobre el curso
Deep Learning: redes neuronales con TensorFlow y Python es un curso online asincrónico de 40 horas cuyo objetivo es Aprender los fundamentos de las redes neuronales de tal manera que se consigan ejecutar casos prácticos reales tanto para aprendizaje supervisado como no supervisado a partir de las librerías Tensorflow y Keras con lenguaje Python.
El programa está organizado en 9 módulos y desarrolla los contenidos de manera progresiva, combinando fundamentos, aplicaciones y criterios prácticos relacionados con la temática del curso.
Lo que aprenderás
- Aprender las bases de las redes neuronales y preparación del entorno en Python.
- Conocer las claves para crear redes neuronales efectivas y los conceptos fundamentales de las ANN.
- Construir un caso práctico de regresión de inicio a fin pasando por las etapas de importación, análisis, división, escalado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.
- Construir un caso práctico de clasificación binaria de inicio a fin pasando por las etapas de importación, análisis, división, escalado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.
- Construir un caso práctico de clasificación multiclase de inicio a fin pasando por las etapas de importación, análisis, división, escalado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.
- Construir un caso práctico de clasificación de imágenes blanco y negro de inicio a fin pasando por las etapas de importación, análisis, división, preprocesado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.
- Construir un caso práctico de clasificación de imágenes en color de inicio a fin pasando por las etapas de importación, análisis, división, preprocesado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.
- Comprender las particularidades de las redes neuronales recurrentes y realizar un caso práctico de inicio a fin pasando por las etapas de importación, preprocesado, división, escalado, generador serie temporal, crear el modelo, entrenarlo y conseguir la evaluación y predicción.
Contenido del curso
Módulo 1: Introducción a Deep Learning
4 h 10 min
Objetivo: Aprender las bases de las redes neuronales y preparación del entorno en Python.
- ¿Qué es Machine Learning y Deep Learning?
- Instalación de entorno Python y librerías Deep Learning
- Aprendizaje supervisado
- Proceso aprendizaje supervisado
- ¿Qué es el overfitting / underfitting en el aprendizaje supervisado?
- Evaluación de rendimiento de modelos – Métricas de Clasificación
- Matriz de confusión el modelos de clasificación
- Evaluación de rendimiento de modelos – Métricas de Regresión
- Aprendizaje no supervisado
- Resumen
Módulo 2: Redes neuronales artificiales (ANN) – Conceptos Fundamentales
3 h 40 min
Objetivo: Conocer las claves para crear redes neuronales efectivas y los conceptos fundamentales de las ANN.
- ¿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?
- Resumen
Módulo 3: Redes neuronales artificiales (ANN) – Regresión con Keras y Tensorflow
4 h 45 min
Objetivo: Construir un caso práctico de regresión de inicio a fin pasando por las etapas de importación, análisis, división, escalado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.
- 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
- Resumen
Módulo 4: Redes neuronales artificiales (ANN) – Clasificación binaria con Keras y Tensorflow
5 h 35 min
Objetivo: Construir un caso práctico de clasificación binaria de inicio a fin pasando por las etapas de importación, análisis, división, escalado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.
- 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
- Resumen
Módulo 5: Redes neuronales artificiales (ANN) – Clasificación multiclase con Keras y Tensorflow
5 h 10 min
Objetivo: Construir un caso práctico de clasificación multiclase de inicio a fin pasando por las etapas de importación, análisis, división, escalado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.
- 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
- Clasificación multiclase con Keras – Monitorización con Tensorboard
- Resumen
Módulo 6: Redes neuronales convolucionales (CNN) – Clasificaciones imágenes blanco y negro
4 h 05 min
Objetivo: Construir un caso práctico de clasificación de imágenes blanco y negro de inicio a fin pasando por las etapas de importación, análisis, división, preprocesado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.
- 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
- Resumen
Módulo 7: Redes neuronales convolucionales (CNN) – Clasificaciones imágenes en color
3 h 20 min
Objetivo: Construir un caso práctico de clasificación de imágenes en color de inicio a fin pasando por las etapas de importación, análisis, división, preprocesado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.
- 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
- Resumen
Módulo 8: Redes neuronales recurrentes (RNN)
4 h 25 min
Objetivo: Comprender las particularidades de las redes neuronales recurrentes y realizar un caso práctico de inicio a fin pasando por las etapas de importación, preprocesado, división, escalado, generador serie temporal, crear el modelo, entrenarlo y conseguir la 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
- Resumen
Módulo 9: Redes neuronales en Aprendizaje No Supervisado
4 h 50 min
Objetivo: Comprender cómo podemos beneficiarnos de las redes neuronales en aprendizaje no supervisado y cómo aplicarlas a un caso de uso real de inicio a fin.
- 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 clústeres
- NN No Supervisado – Creación del modelo
- NN No Supervisado – Entrenamiento del modelo
- NN No Supervisado – Evaluación y Predicción de clústeres
- Despliegue de servicios Deep Learning
- Resumen
Módulo 1: Introducción a Deep Learning
4 h 10 min
Objetivo: Aprender las bases de las redes neuronales y preparación del entorno en Python.
- ¿Qué es Machine Learning y Deep Learning?
- Instalación de entorno Python y librerías Deep Learning
- Aprendizaje supervisado
- Proceso aprendizaje supervisado
- ¿Qué es el overfitting / underfitting en el aprendizaje supervisado?
- Evaluación de rendimiento de modelos – Métricas de Clasificación
- Matriz de confusión el modelos de clasificación
- Evaluación de rendimiento de modelos – Métricas de Regresión
- Aprendizaje no supervisado
- Resumen
Módulo 2: Redes neuronales artificiales (ANN) – Conceptos Fundamentales
3 h 40 min
Objetivo: Conocer las claves para crear redes neuronales efectivas y los conceptos fundamentales de las ANN.
- ¿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?
- Resumen
Módulo 3: Redes neuronales artificiales (ANN) – Regresión con Keras y Tensorflow
4 h 45 min
Objetivo: Construir un caso práctico de regresión de inicio a fin pasando por las etapas de importación, análisis, división, escalado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.
- 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
- Resumen
Módulo 4: Redes neuronales artificiales (ANN) – Clasificación binaria con Keras y Tensorflow
5 h 35 min
Objetivo: Construir un caso práctico de clasificación binaria de inicio a fin pasando por las etapas de importación, análisis, división, escalado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.
- 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
- Resumen
Módulo 5: Redes neuronales artificiales (ANN) – Clasificación multiclase con Keras y Tensorflow
5 h 10 min
Objetivo: Construir un caso práctico de clasificación multiclase de inicio a fin pasando por las etapas de importación, análisis, división, escalado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.
- 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
- Clasificación multiclase con Keras – Monitorización con Tensorboard
- Resumen
Módulo 6: Redes neuronales convolucionales (CNN) – Clasificaciones imágenes blanco y negro
4 h 05 min
Objetivo: Construir un caso práctico de clasificación de imágenes blanco y negro de inicio a fin pasando por las etapas de importación, análisis, división, preprocesado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.
- 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
- Resumen
Módulo 7: Redes neuronales convolucionales (CNN) – Clasificaciones imágenes en color
3 h 20 min
Objetivo: Construir un caso práctico de clasificación de imágenes en color de inicio a fin pasando por las etapas de importación, análisis, división, preprocesado, creación del modelo, entrenamiento y evaluación con la predicción oportuna.
- 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
- Resumen
Módulo 8: Redes neuronales recurrentes (RNN)
4 h 25 min
Objetivo: Comprender las particularidades de las redes neuronales recurrentes y realizar un caso práctico de inicio a fin pasando por las etapas de importación, preprocesado, división, escalado, generador serie temporal, crear el modelo, entrenarlo y conseguir la 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
- Resumen
Módulo 9: Redes neuronales en Aprendizaje No Supervisado
4 h 50 min
Objetivo: Comprender cómo podemos beneficiarnos de las redes neuronales en aprendizaje no supervisado y cómo aplicarlas a un caso de uso real de inicio a fin.
- 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 clústeres
- NN No Supervisado – Creación del modelo
- NN No Supervisado – Entrenamiento del modelo
- NN No Supervisado – Evaluación y Predicción de clústeres
- Despliegue de servicios Deep Learning
- Resumen
¿Para quién es?
Científicos y profesionales de datos
Científicos de datos que quieran aprender las tecnologías punteras de Machine Learning y Deep Learning.
Científicos de datos que quieran profundizar desde cero en el uso de las últimas versiones de Keras y Tensorflow 2.
Analistas y profesionales de datos
Analistas de datos que quieran equiparse con un conocimiento avanzado para ejecutar sus proyectos de Machine Learning.
Estudiantes y profesionales en formación
Estudiantes que quieran obtener habilidades que le abrirán puertas en el mercado laboral y la inteligencia artificial.
Cualquier persona
Cualquier persona que quiera predecir el futuro y crear potentes proyectos para solucionar múltiples problemas que existen en nuestro entorno a partir de datos.
Requisitos
- Es recomendable tener conocimientos básicos de Python, aunque si no se tienen se explicarán los scripts en detalle para entender su funcionamiento y pueda ejecutar proyectos de Deep Learning.
Certificado y respaldo
Respaldo institucional
Centro de Capacitación del Comercio, OTEC de la Cámara de Comercio de Santiago.
Convenio académico
Contenidos desarrollados en convenio con UNIR.
Preguntas frecuentes
¿El curso tiene horarios establecidos?
No. Es un curso asincrónico y puedes revisar sus contenidos sin conectarte a clases en un horario determinado.
¿Cómo accedo al curso después de comprarlo?
Una vez aprobado el pago y procesada la matrícula, recibirás por correo electrónico las instrucciones para acceder al aula Moodle.
¿Cómo obtengo el certificado?
Para obtener el certificado digital debes completar los contenidos y aprobar las evaluaciones establecidas en el curso.
¿Necesito conocimientos previos?
Es recomendable tener conocimientos básicos de Python, aunque si no se tienen se explicarán los scripts en detalle para entender su funcionamiento y pueda ejecutar proyectos de Deep Learning.
¿Cuánto dura el curso?
El curso tiene una duración total de 40 horas.
¿Prefieres formación en vivo o más profunda?
Conoce nuestros cursos presenciales y diplomados con relator en directo.
¿Prefieres que te asesore un ejecutivo?
Déjanos tus datos y te contactaremos para resolver tus dudas.