fbpx
¡Oferta!

Introducción a Deep Learning con Python

$99.99 $91.99 Sin IVA

*Precio en dólares

Fecha: Del 05 al 09 de octubre del 2020.
Horario: Lunes a viernes de 18h30 a 20h30 (GTM-5: Bogotá, Lima, Quito).
Duración: 10 horas.

Resumen

El curso introduce los principales conceptos relacionados al aprendizaje profundo por medio de su aplicación con TensorFlow y Keras. Los conceptos a revisar son: backpropagation, gradiente descendente, capas de entrada, ocultas y salida, funciones de activación, entre otras necesarias para diseñar una red neuronal profunda.

Adicionalmente, se presentará una breve introducción a las distintas arquitecturas de redes neuronales (convolución y recursividad) con sus respectivos campos de aplicación en función del tipo de datos a modelar.

Metodología

Aplicamos la metodología learning by doing utilizando presentaciones, notebooks y herramientas en la nube para manejo de grandes volúmenes de datos.

¿Por qué aprender Deep Learning?

A medida que el volumen de datos disponibles aumenta, es necesario comprender los beneficios de utilizar familias de algoritmos con un alto grado de flexibilidad y adaptabilidad.

Por tanto, el aprendizaje profundo (Deep Learning) permite representar algoritmos clásicos de Machine Learning en forma de grafos, así como también probar nuevos algoritmos diseñados a la medida para solucionar problemas complejos de aprendizaje supervisado.

Objetivos de aprendizaje
  1. Comprender los principales conceptos relacionados a la arquitectura de una red neuronal profunda.
  2. Entender las principales ventajas y desventajas del uso de las distintas funciones de activación en neuronas intermedias y de salida.
  3. Entrenar redes neuronales profundas con distintas arquitecturas y comparar las diferencias en términos de performance.
  4. Asociar distintos tipos de datos a la arquitectura de redes neuronales más adecuada para adoptar los mecanismos de entrenamiento de una red.

Lecciones

  • Conceptos y terminología
  • TensorFlow + Keras
  • Perceptrón
  • Perceptrón multicapa
  • Introducción a Redes Convolucionales, Recursivas y Autoencoders

Instructor

MSc. Eduardo Marín Nicolalde

Director Académico en handytec Academy y Científico de Datos en handytec. Es Máster en Estadística Aplicada con mención en Econometría y Data Mining por la Universidad Católica de Lovaina en Bélgica. Especialista en Machine Learning y Redes Neuronales Profundas, ha trabajado como docente universitario y consultor estadístico a nivel nacional e internacional. Su experiencia actual se basa en la implementación de proyectos de Inteligencia Artificial y Machine Learning y en la creación de programas académicos de alta calidad en Ciencia de Datos.

Detalles importantes

  • Herramientas: Python, TensorFlow y Keras en Databricks
  • Prerrequisitos:
    • Comprensión general del ciclo de aprendizaje automático (Machine Learning)
    • Manejo de Python para Ciencia de Datos
  • Accede a los videos de las clases grabadas

También te recomendamos…

Ir arriba