Usted está aquí: / / / / Máster Redes Neuronales con Python y Tensorflow Online

Máster Redes Neuronales con Python y Tensorflow Online

Aprende todo lo necesario sobre Deep Learning con Python y Tensorflow 2 para poder crear redes neuronales con inteligencia artificial sin necesidad de conocimientos previos.

master redes neuronales

Máster Redes Neuronales con Python y Tensorflow Online

Aprende todo lo necesario sobre Deep Learning con Python y Tensorflow 2 para poder crear redes neuronales con inteligencia artificial sin necesidad de conocimientos previos.

master redes neuronales
Básico 80 Horas Online 100% Bonificable 6 Bloques Acceso Inmediato en Autoestudio Temario

100% BONIFICABLE FUNDAE

  • Duración: 2 meses
  • Bonificable para Empleados
  • Ejercicios prácticos
  • Título propio Digital Credential
  • Inicio Tutorizado: convocatorias mensuales
  • Inicio Autoestudio: Inmediato
Añadir a Carrito - Tutorizado / 600€
Añadir a Carrito - Autoestudio / 280€
Comprar Tutorizado Ahora - 600€
Comprar Autoestudio Ahora - 280€

*IVA no incluido

¿ERES EMPRESA?
¿Quieres matricular a tus empleados?

Pulsa aquí

cursos online

Descripción

Las redes neuronales son uno de los tipos de machine learning más relevantes en los últimos años, se trata de la creación de sistemas de aprendizaje automático a través de inteligencia artificial. Imitando la forma de procesar la información del cerebro humano, las redes neuronales funcionan simultaneando un gran número de procesamientos interconectados que parecen versiones abstractas de neuronas.

En este curso vamos a aprender a programar estas redes neuronales a través de Python y Tensorflow. Python es un lenguaje de programación sencillo, fácil de leer y escribir y muy extendido. Sirve para el desarrollo de todo tipo de aplicaciones, es muy utilizado en el ámbito del big data y de la data science pero también en la inteligencia artificial. Al mismo tiempo, Tensorflow es un sistema de computación numérica de código abierto para desarrollar inteligencia artificial y aprendizaje automático.

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.

Temario

  • ¿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
  • Clasificación multiclase con Keras – Monitorización con Tensorboard
  • 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
Descargar Temario

Descripción

Las redes neuronales son uno de los tipos de machine learning más relevantes en los últimos años, se trata de la creación de sistemas de aprendizaje automático a través de inteligencia artificial. Imitando la forma de procesar la información del cerebro humano, las redes neuronales funcionan simultaneando un gran número de procesamientos interconectados que parecen versiones abstractas de neuronas.

En este curso vamos a aprender a programar estas redes neuronales a través de Python y Tensorflow. Python es un lenguaje de programación sencillo, fácil de leer y escribir y muy extendido. Sirve para el desarrollo de todo tipo de aplicaciones, es muy utilizado en el ámbito del big data y de la data science pero también en la inteligencia artificial. Al mismo tiempo, Tensorflow es un sistema de computación numérica de código abierto para desarrollar inteligencia artificial y aprendizaje automático.

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.

Temario

  • ¿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
  • Clasificación multiclase con Keras – Monitorización con Tensorboard
  • 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
Descargar Temario

100% BONIFICABLE FUNDAE

  • Duración: 2 meses
  • Bonificable para Empleados
  • Ejercicios prácticos
  • Título propio Digital Credential
  • Inicio Tutorizado: convocatorias mensuales
  • Inicio Autoestudio: Inmediato
Añadir a Carrito - Tutorizado / 600€
Añadir a Carrito - Autoestudio / 280€
Comprar Tutorizado Ahora - 600€
Comprar Autoestudio Ahora - 280€

*IVA no incluido

¿ERES EMPRESA?
¿Quieres matricular a tus empleados?

Pulsa aquí

cursos online
Cursos relacionados

Complementa tu formación con estos cursos

Productos relacionados

¿Para qué sirven las LAS REDES NEURONALES CON PYTHON Y TENSORFLOW ONLINE?

Python también está relacionado con el machine learning ya que gracias al tratamiento de datos, permite que el aprendizaje automático se lleve a cabo. Es uno de los lenguajes de programación que más se utilizan en el ámbito laboral.

Algunas de las funciones más importantes que ofrece Tensorflow son:

  • Reconocimiento de imagen. Las redes neuronales aprenden de forma automática, aprenden representaciones cada vez más abstractas de los datos que reciben de las imágenes. Las redes neuronales son capaces de identificar formas, líneas, texturas… para el reconocimiento de una imagen.
  • Análisis de sentimiento. Mediante inteligencia artificial se pueden anticipar gustos y necesidades de nuestros clientes, ayudándonos a la gestión de la relación con estos.
  • Diagnósticos médicos. Es uno de los sectores con más beneficios gracias a las redes neuronales, por ejemplo, el análisis de radiografías facilitando encontrar anomalías facilitando y agilizando el trabajo de los sanitarios.