Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
CAPACITACIONES DEEP LEARNING DIPLOMADO DESCRIPCIÓN: Dentro de las técnicas de Machine Learning, el Deep Learning es la tecnología que más crecimiento ha tenido en los últimos años. Ahora forma parte de los skills requeridos para trabajos relacionados con Ciencia de Datos e IA. En este diplomado aprenderás los fundamentos, patrones de diseño e intuiciones para crear modelos de redes neuronales profundas con las arquitecturas más contemporáneas: perceptrones multicapa, redes convolucionales, recurrentes y gans. MÓDULO 1 Fundamentos1. 1.1 Frameworks para Deep Learning en Python 1.2 Álgebra lineal: matemática de vectores, matrices y tensores en Python 2. Introducción a las redes neuronales 2.1 Modelo biológico y computacional del perceptrón 3. Perceptrones multicapa - MLP 3.1 La estrategia divide y vencerás 4. Algoritmos de aprendizaje 4.1 Descenso por gradiente 4.2 Backpropagation 4.3 Hiperparámetros 4.4 Métricas de desempeño 5. Creación de modelos para aplicaciones de regresión en biología y economía 6. Redes neuronales convolucionales - CNN 6.1 Tareas de la visión artificial 6.2 El mecanismo de la convolución 6.3 Capas pooling y flatten 6.4 Retos en el aprendizaje: underfitting y overfitting 7. Técnicas de regularización 7.1 Regularización L1 y L2 7.2 Dropout 7.3 Data augmentation 8. Creación de modelos para reconocimiento de imágenes MÓDULO 2 DiveInLearning @diveinlearning Dive In Learning ENTORNOS DE TRABAJO: TensorFlow Keras Numpy Scikit learn Pandas OpenCV EL CURSO ES ÚTIL PARA: Ingenieros y matemáticos Científicos y analistas de datos Actuarios y economistas REQUISITOS: Se recomienda tener conocimientos de álgebra lineal y bases de programación en Python u otro lenguaje. Dive In Learning S.A. de C.V. - Capacitación y consultoría www.diveinlearning.com joel.garcia@diveinlearning.com +52 55 4781 9064 9. Desarrollo de casos de uso en la industria 9.1 Proyección de ventas 9.2 Clasificación de coberturas en imágenes satelitales 9.3 Transferencia de aprendizaje en visión artificial 10. Deep Learning en la web 10.1 Despligue de modelos con Flask MÓDULO 3 11. Redes generativas antagónicas - GAN 11.1 Autoencoders como predecesores 11.2 El mecanismo de las redes generativas y discriminativas 12. Redes neuronales recurrentes - RNN 12.1 El mecanismo de las redes recurrentes 12.2 Tipos de RNN: LSTM y GRU 12.3 Procesamiento del lenguaje natural - NLP 12.4 Bolsas de palabras y word embedding 13. Creación de modelos para aplicaciones de lenguaje natural y de creatividad MÓDULO 4 Makers y entusiastas de la IA 3 MESES
Compartir