DIL_Temario_DL_DIP_V2 - Kevin Sevillano

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