Rating 4.5 out of 5 (338 ratings in Udemy)
What you'll learn
- Tratamiento y procesado de datos en Data Science
- Aprender a afrontar los principales problemas del machine learning
- Construir modelos pioneros para resolver sus problemas de Data Science con Keras/Tensorflow
- Redes neuronales Recurrentes, su funcionamiento y aplicación
- El Deep Learning desde sus comienzos hasta la actualidad
- Uso de librerias de Data Science en Python
- Redes Adversarias Generativas, su funcionamiento y …
Rating 4.5 out of 5 (338 ratings in Udemy)
What you'll learn
- Tratamiento y procesado de datos en Data Science
- Aprender a afrontar los principales problemas del machine learning
- Construir modelos pioneros para resolver sus problemas de Data Science con Keras/Tensorflow
- Redes neuronales Recurrentes, su funcionamiento y aplicación
- El Deep Learning desde sus comienzos hasta la actualidad
- Uso de librerias de Data Science en Python
- Redes Adversarias Generativas, su funcionamiento y aplicación
- YOLO y la detección de múltiples objetos en imágenes
- Procesado de Texto mediante Deep Learning
- Redes Neuronales Clásicas y Convolucionales, su funcionamiento y aplicación
Description
Es posible que a día de hoy muchos de vosotros hallais escuchado un monton de palabras en ingles del mundo empresarial o académico, entre las cuales estaban Deep Learning o Machine Learning. ¿Son estos conceptos humo?, pues bien, debeis saber que muy lejos de la verdad el machine learning y una de sus especializaciones, el Deep Learning son disciplinas muy utilizadas hoy en día por las cuales en grandes empresas como Indra, GMV, Accenture...y otras llegan a pagar hasta 50000-60000 euros anuales. ¿Pero para que sirven y porque están tan bien pagadas no?.
En este curso vamos a partir de cero para entender paso a paso como funciona el Deep Learning, como se puede aplicar el mismo y que fundamentos matemáticos se esconden detrás de esta disciplina. Pero todos sabemos lo duras y engorrosas que se pueden llegar a hacer las explicaciones teóricas con tanto fundamento matemático. Por lo cual este curso va a tratar de abordar muchos y muy diferentes casos prácticos de problemas reales, en algunos de empresas, o investigación afrontados por mi mismo, a través de los cuáles introduciremos la teoría del Deep Learning de forma mucho más amena y amigable.
¿Cual es la ventaja de este curso frente a otros similares? Vamos a tratar el Deep Learning desde un nivel de aprendiz hasta el nivel Experto de cualquier científico de Datos hoy en día. Los Pros de este enfoque es que al acabar este curso sabréis desenvolveros y afrontar problemas con Deep Learning, pero también requerirá un mayor esfuerzo ya que no es sencillo pasar de 0 a 100.
¿Como se va a organizar el curso?:
-Lección 1: Introducción al Deep Learning:
- Aplicaciones actuales del Deep Learning
- Introducción teórica del curso
-Lección 2: Instrumentación e instalacion:
- Instalación en Windows parte 1: Introducción y Python
- Instalación en Windows parte 2: Cuda y CuDnn
- Instalación en Windows parte 3: Anaconda y Pycharm
- Instalación en Windows parte 4: Primer Código de Deep Learning
- Instalación en Linux parte 1: Introducción y Python
- Instalación en Linux parte 2: Cuda y CuDnn
- Instalación en Linux parte 3: Virtualenv y Pycharm
- Instalación en Linux parte 4: Primer Código de Deep Learning
- Opción de Procesado en la Nube con Google Collab
- Test de Conocimientos Iniciales
-Lección 3: Redes Neuronales Clásicas:
- Introducción
- El Perceptrón
- La Neurona
- La función de activación
- Estructura Interna
- Preprocesado de datos
- El Entrenamiento de Redes Neuronales
- Métodos y Callbacks
- Ejemplo práctico de Redes clásicas
- Test de Redes NeuronalesClásicas
-Lección 4: Redes Neuronales Convolucionales
- Introducción
- Las capas Convolucionales
- Las capas Densas
- El Max Pooling
- El Dropout
- El Batch Normalization
- Las activaciones
- Ejemplos de clasificación con redes convolucionales usando las bases de datos MNIST, CIFAR10 y CIFAR100
-Clasificación Binaria: Análisis del problema, explicación y resolución de un caso práctico en Keras
-Clasificación Multiclase: Análisis del problema, explicación y resolución de un caso práctico en Keras
-Regresión: Análisis del problema, explicación y resolución de un caso práctico en Keras
- Arquitectura Alexnet
- Arquitectura VGG16
- Arquitectura Inception V3
- Arquitectura Resnet
- Arquitectura Inception-Resnet
- Arquitectura Xception
- Comparativa de las diferentes arquitecturas mediante ejemplo práctico
- Fine Tuning y Transfer Learning a través de ejemplo práctico
- Test de Redes Convolucionales
-Leccion 7: Las Redes Recurrentes
- Introducción
- Redes Recurrentes Simples(RNN)
- Redes de Puerta Recurrente(GRU)
- Long Short Term Memory(LSTM)
- Caso práctico de redes recurrentes aplicadas a SeriesTemporales
- Caso práctico de redes recurrentes convolucionales aplicadas a Videos
- Las Redes Recurrentes en el procesado de texto junto con 2 ejemplos prácticos de su uso sobre la detección en textos.
- Test de Redes Recurrentes
-Leccion 8: Otras Redes y arquitecturas
- Introducción
- Redes Convolucionales 1D y caso práctico
- Redes de Codificación-Decodificación(Encoder-Decoder) y aso práctico
- You Only Look Once(YOLO) V1, V2, V3 y caso práctico
- Redes Adversarias Generativas, teoría y casos prácticos
-Leccion 9: Retos
-Resolución de ejemplo real de detección de personas en imágenes de Profundidad
Musica de fondo: Depart (cdk mix) by Analog By Nature (c) copyright 2015 Licensed under a Creative Commons Attribution license. Ft: Tekno Eddy
Paid
Self paced
All Levels
Spanish (Spain)
1672
Rating 4.5 out of 5 (338 ratings in Udemy)
Go to the Course