Deep Learning. Redes Neuronales. Tensorflow.Python (Programa detallado)

Objetivo:

Aprender los fundamentos de las redes neuronales de tal manera que se consigan ejecutar casos prácticos reales tanto para aprendizaje supervisado como no supervisado a partir de las librerías Tensorflow y Keras con lenguaje Python.

Requisitos:

Es recomendable tener conocimientos básicos de Python, aunque si no se tienen se explicarán los scripts en detalle para entender su funcionamiento y pueda ejecutar proyectos de Deep Learning.

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