• 687374918
  • info@devacademy.es

Introducción práctica a Deep Learning

Detalle del plan de formación

Deep Learning es una técnica de Machine Learning basada en las famosas redes neuronales, donde trata de simular la forma que tiene de aprender el cerebro. El gran avance del Deep Learning, respecto a otras técnicas de Machine Learning, es que se basa en que el sistema se puede entrenar. Incluso puede entrenarse a sí mismo, para encontrar coherencia en datos aleatorios, de la misma forma que un cerebro humano consigue aprender en función de estímulos y conocimiento previo.

Con este programa se pretende dotar al alumno de los conocimientos suficientes para poder desarrollar un proyecto completo con modelos de Deep Learning en distintos ámbitos de aplicación. Además, el alumno adquirirá los conocimientos teóricos necesarios para comprender su funcionamiento y creación. Asimismo, aprenderáel funcionamiento de los distintos lenguajes y herramientas de programación necesarios para su implementación. Más concretamente, el estudiante podrá responder a las siguientes preguntas:

  • ¿ Qué es Deep Learning y para qué sirve?
  • ¿ Dónde aplica Deep Learning y que ventaja competitiva aporta?
  • ¿ Cómo puedo cotejar su validez?
  • ¿ Qué ajustes puedo hacer para mejorarlo?
  • ¿ Cómo puedo evitar el sobreajuste?
  • ¿ Está funcionando con el rendimiento adecuado? ¿Cómo puedo mejorarlo?

Resumiendo, el alumno aprenderá a utilizar y configurar las herramientas necesarias para su desarrollo e implementación en un sistema en producción en base a clases prácticas. En estas clases lo principal será el código y ejemplos prácticos en los que se podrá constatar la importancia de estas cuestiones y sus respuestas.

Temario

    1. Fundamentos de Machine Learning
      • Qué es el aprendizaje automático
      • Tipos de aprendizaje: Supervisado, no supervisado,…
      • Tipos de algoritmos clásicos
      • Preprocesado de las variables
      • ¿Cómo se evalúan y validan los modelos?
      • Ejercicio práctico: Entrenamiento de algoritmos clásicos de machine learning utilizando python y scikit learn (regresión logística, Random Forest, SVM) en aprendizaje supervisado.
    2. Deep Learning
      • ¿Qué es deep learning? ¿Por qué el auge actual?
      • Frameworks actuales para python (TenworFlow, CNTK, Keras)
      • El perceptrón multicapa (MLP)
      • Funciones de coste
      • Ejercicio práctico: Implementación y entrenamiento de un perceptrón multicapa en python utilizando las librerías tensorflow y keras.
      • Back propagation y optimizadores
      • Regularización
      • Ejercicio práctico: Utilización de optimizadores y técnicas de regularización para mejorar los resultados del ejercicio anterior.
    3. Deep Learning con datos estructurados
      1. Deep Learning en el procesado de imágenes: Redes Neuronales Convolucionales (CNNs)
      2.  Ejercicio práctico: Implementación y entrenamiento de una CNN para clasificación de imágenes.
      3. Deep Learning para datos secuenciales (texto o series temporales): Redes Neuronales Recurrentes (RNNs y LSTMs)
      4. Ejercicio práctico: Implementación y entrenamiento de una red LSTM.
    4.  Conceptos avanzados de Deep Learning
      • Optimización de hiperparámetros: Criterios a seguir para elegir los parámetros de una red neuronal
      • Utilización de callbacks en la librería keras
      • Ejercicio práctico: Utilización de la librería hyperopt para seleccionar el número de capas en una red neuronal y de callbacks para detener de forma automática el entrenamiento.
      •  Qué tipos de redes nuevas están apareciendo
      • Ejercicio práctico: Se dará código fuente de redes neuronales capaces de generar por si mismas imágenes y el alumno explorará el posible potencial que pueden ofrecer..

Fechas, horario y lugar

Actualmente no hay fechas disponibles. Mándanos un email para tenerte en lista y completer un grupo para poder organizarlo. En caso de ser empresa te ayudamos a organizarlo a medida para tus empleados o compañeros.

Responsabilidades profesor

Presentar el contenido conforme lo presentado en el programa de formación
Dar acceso al material necesario (PDFs, ejercicios, software, etcs) para el curso contratado.

Responsabilidades alumno

Participar en la formación en el periodo determinado, trayendo un notebook con los requisitos mínimos necesarios para la participación en la formación, siendo estos los siguientes:
Mínimo de 4GB de memoria RAM
Mínimo de 10GB de espacio en disco (HD).
Habilitada la virtualización tanto en software como hardware
Poseer privilegios de administración

Observaciones importantes

Confirmaciones
Las confirmaciones serán enviadas a la dirección de e-mail enviada por el alumno

Cancelaciones
Los plazos para el cancelamiento de inscripciones solicitadas, son de 5 días laborales antes del inicio del curso.
En caso de cancelamiento fuera de plazo por parte del alumno, DevAcademy se reserva el derecho a cobrar un porcentaje (20%) del valor del curso.
DevAcademy se reserva el derecho de cancelar o posponer la formación, siempre y cuando avise al contratante y/o devuelva el importe íntegro en caso de cancelación

Obligaciones del alumno
Es obligatorio que el alumno cumpla con todos las obligaciones recomendadas por el profesor para seguir todos los ejercicios y no demorar ni perjudicar la clase. Es posible que días antes se envíe un email como recordatorio al alumno con instrucciones a seguir u obligaciones desarrollar para poder estar preparado al comienzo de la clase.

Si quieres más información sobre nuestros cursos, haz click aquí



DevAcademy 2024 - info@devacademy.es - Telf: 687374918