PROGRAMA DEL CURSO

1.- Introducción a Deep Learning

Objetivo

Aprender las bases de las redes neuronales y preparación del entorno en Python.

Contenido

1. Introducción a Deep Learning
1. ¿Qué es Machine Learning y Deep Learning?
2. Instalación de entorno Python y librerías Deep Learning
3. Aprendizaje supervisado
4. ¿Qué es el overfitting / underfitting en el aprendizaje supervisado?
5. Evaluación de rendimiento de modelos - Métricas de Clasificación
6.  Evaluación de rendimiento de modelos - Métricas de Regresión
7. Aprendizaje no supervisado
8. Resumen

2.- Redes neuronales artificiales (ANN) - Conceptos Fundamentales

Objetivo

Conocer las claves para crear redes neuronales efectivas y los conceptos fundamentales de las ANN.

Contenido

1. Redes neuronales artificiales (ANN) - Conceptos Fundamentales
1. ¿Qué es una neurona y el modelo perceptrón?
2. ¿Qué son las redes neuronales?
3. Funciones de activación
4. Funciones de activación en modelos multiclase
5. Funciones de Coste y de Gradiente Descendente
6. Propagación hacia atrás (backpropagation)
7. Claves para crear redes neuronales efectivas
8. ¿Qué nos proporciona Tensorflow y Keras?
9. Resumen

3.- Redes neuronales artificiales (ANN) - Regresión con Keras y Tensorflow

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.

Contenido

1. Redes neuronales artificiales (ANN) - Regresión con Keras y Tensorflow
1. Regresión con Keras - Presentación caso práctico
2. Regresión con Keras - Importación de librerías y fuentes
3. Regresión con Keras - Análisis de datos (EDA) + Preprocesado (I)
4. Regresión con Keras - Análisis de datos (EDA) + Preprocesado (II)
5. Regresión con Keras - División Train / Test
6. Regresión con Keras - Escalado
7. Regresión con Keras - Creación de modelo
8. Regresión con Keras - Entrenamiento del modelo
9. Regresión con Keras - Evaluación y Predicción
10. Resumen

4.- Redes neuronales artificiales (ANN) - Clasificación binaria con Keras y Tensorflow

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.

Contenido

1. Redes neuronales artificiales (ANN) - Clasificación binaria con Keras y Tensorflow
1. Clasificación binaria con Keras - Presentación caso práctico
2. Clasificación binaria con Keras - Importación de librerías y fuentes
3. Clasificación binaria con Keras - Análisis de datos (EDA) + Preprocesado
4. Clasificación binaria con Keras - División Train / Test
5. Clasificación binaria con Keras - Escalado
6. Clasificación binaria con Keras - Creación de modelo
7. Clasificación binaria con Keras - Entrenamiento del modelo
8. Clasificación binaria con Keras - Evaluación y Predicción
9. Resumen

5.- Redes neuronales artificiales (ANN) - Clasificación multiclase con Keras y Tensorflow

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.

Contenido

1. Redes neuronales artificiales (ANN) - Clasificación multiclase con Keras y Tensorflow
1. Clasificación multiclase con Keras - Presentación caso práctico
2. Clasificación multiclase con Keras - Importación de librerías y fuentes
3. Clasificación multiclase con Keras - Análisis de datos (EDA) + Preprocesado (I)
4. Clasificación multiclase con Keras - Análisis de datos (EDA) + Preprocesado (II)
5. Clasificación multiclase con Keras - División Train / Test
6. Clasificación multiclase con Keras - Escalado
7. Clasificación multiclase con Keras - Creación de modelo
8. Clasificación multiclase con Keras - Entrenamiento del modelo
9. Clasificación multiclase con Keras - Evaluación y Predicción
10. Clasificación multiclase con Keras - Monitorización con Tensorboard
11. Resumen

6.- Redes neuronales convolucionales (CNN) - Clasificaciones imágenes blanco y negro

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.

Contenido

1. Redes neuronales convolucionales (CNN) - Clasificaciones imágenes blanco y negro
1. Introducción a las redes neuronales convolucionales (CNN)
2. ¿Qué son los filtros de imagen y los kernels?
3. Capas convolucionales en una CNN
4. Capas pooling en una CNN
5. Clasificación imágenes Blanco y Negro - Presentación caso práctico
6. Clasificación imágenes Blanco y Negro - Importación de librerías y fuentes
7. Clasificación imágenes Blanco y Negro - Preprocesado
8. Clasificación imágenes Blanco y Negro - Creación del modelo
9. Clasificación imágenes Blanco y Negro - Entrenamiento del modelo
10. Clasificación imágenes Blanco y Negro - Evaluación y Predicción
11. Resumen

7.- Redes neuronales convolucionales (CNN) - Clasificaciones imágenes en color

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.

Contenido

1. Redes neuronales convolucionales (CNN) - Clasificaciones imágenes en color
1. Clasificación imágenes RGB - Presentación caso práctico
2. Clasificación imágenes RGB - Importación de librerías y fuentes
3. Clasificación imágenes RGB - Preprocesado
4. Clasificación imágenes RGB - Creación del modelo
5. Clasificación imágenes RGB - Entrenamiento del modelo
6. Clasificación imágenes RGB - Evaluación y Predicción
7. Resumen

8.- Redes neuronales recurrentes (RNN)

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.

Contenido

1. Redes neuronales recurrentes (RNN)
1. Introducción a las redes neuronales recurrentes (RNN)
2. Neuronas LSTM
3. Creación de batches en RNN
4. Forecast RNN - Presentación caso práctico
5. Forecast RNN - Importación de librerías y fuentes
6. Forecast RNN - Preprocesado
7. Forecast RNN - División Train / Test
8. Forecast RNN - Escalado
9. Forecast RNN - Creación Generador Serie Temporal
10. Forecast RNN - Creación del modelo
11. Forecast RNN - Entrenamiento del modelo
12. Forecast RNN - Evaluación y Predicción
13. Resumen

9.- Redes neuronales en Aprendizaje No Supervisado

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.

Contenido

1. Redes neuronales en Aprendizaje No Supervisado
1. Introducción a las redes neuronales en aprendizaje no supervisado
2. ¿Qué son los autoencoders en una red neuronal?
3. NN No Supervisado - Presentación caso práctico
4. NN No Supervisado - Importación de librerías y fuentes
5. NN No Supervisado - Preprocesado
6. NN No Supervisado - Escalado
7. NN No Supervisado - Estimación número de clústeres
8. NN No Supervisado - Creación del modelo
9. NN No Supervisado - Entrenamiento del modelo
10. NN No Supervisado - Evaluación y Predicción de clústeres
11. Resumen