Deep Learning con Python – Academia TIN

Lo que Aprenderás

Este curso te ofrece un enfoque práctico y estructurado para aprender Deep Learning, incluso si tienes poca experiencia en programación o en inteligencia artificial. Comenzarás por instalar las herramientas necesarias y entender los conceptos clave de redes neuronales. A medida que avances, implementarás tus propios modelos con TensorFlow y Keras, aplicando técnicas esenciales para tareas como clasificación, análisis de texto y generación de imágenes. Todo el contenido está diseñado para que puedas conectar teoría con práctica y aplicar lo aprendido en proyectos reales. Aquí encontrarás una guía clara y sin rodeos para adentrarte en el mundo del Deep Learning.

Average Review Score:

★★★★★

You must log in and have started this curso to submit a review.

Contenido del Curso

Introducción

Bienvenida al curso

Introducción parte 1

Introducción parte 2

Introducción parte 3

Introducción parte 4

Introducción parte 5

Introducción parte 6

Instalación de Anaconda y creación del entorno virtual

Preparación para CUDA – Parte 1

Preparación para CUDA – Parte 2

Intalación de librerías

Componentes matemáticos de las redes neuronales

Primer acercamiento a las redes neuronales – Intro

Primer acercamiento a las redes neuronales – Carga de datos

Primer acercamiento a las redes neuronales – Creación del modelo

Primer acercamiento a las redes neuronales – Compilación del modelo

Primer acercamiento a las redes neuronales – Preprocesamiento de los datos

Primer acercamiento a las redes neuronales – Entrenamiento y predicción

Primer acercamiento a las redes neuronales – Evaluación

Representación de datos para redes neuronales – Parte 1

Representación de datos para redes neuronales – Parte 2

Operaciones con tensores – Parte 1

Operaciones con tensores – Broadcasting

Operaciones con tensores – Producto de tensores

Operaciones con tensores – Reestructuración de tensores

Optimización basada en gradientes – Parte 1

Optimización basada en gradientes – Parte 2

Optimización basada en gradientes – Parte 3

Optimización basada en gradientes – Parte 4

Optimización basada en gradientes – Parte 5

Optimización basada en gradientes – Parte 6

Implementación de red neuronal desde cero – Introducción

Implementación de red neuronal desde cero – Capa densa simple

Implementación de red neuronal desde cero – Encadenar capas

Implementación de red neuronal desde cero – Generador de lotes

Implementación de red neuronal desde cero – Entrenamiento – Parte 1

Implementación de red neuronal desde cero – Entrenamiento – Parte 2

Tensorflow + Keras

Tensores constantes y variables

Operaciones con tensores

Tensores constantes en GradientTape

Implementación de clasificador lineal sobre Tensorflow

Keras – La clase Layer

Keras – Importancia de la arquitectura del modelo

Keras – Compile

Keras – Función de perdida

Keras – Fit, evaluate, predict

Clasificación y regresión

Clasificación binaria – Carga del conjunto de datos

Clasificación binaria – Preparación de datos

Clasificación binaria – Construcción del modelo

Clasificación binaria – Entrenamiento y validación

Clasificación binaria – Juega un poco

Clasificación multiclase – Carga del conjunto de datos

Clasificación multiclase – Preparación de datos

Clasificación multiclase – Construcción del modelo

Clasificación multiclase – Validación y entrenamiento

Clasificación multiclase – Juega un poco

Regresión – Carga del conjunto de datos

Regresión – Preparación de datos

Regresión – Construcción del modelo

Regresión – Validación K-Fold

Regresión – Entrenamiento final

Fundamentos

Generalización

Generalización – Underfitting y Overfitting

Generalización – Su naturaleza

Evaluación – Introducción

Evaluación – Validación simple con retención

Evaluación – Validación k-fold

Evaluación – Validación cruzada K-fold iterada con mezcla aleatoria

Punto base de sentido común

Aspectos clave sobre la evaluación de modelos

Mejorar el ajuste – Resolviendo entrenamiento no inicia

Mejorar el ajuste – Incrementar la capacidad del modelo

Mejorar la generalización – Optimización del conjunto de datos

Mejorar la generalización – Ingeniería de características

Mejorar la generalización – Early stopping

Mejorar la generalización – Regularización – Reducción del tamaño del modelo

Mejorar la generalización – Regularización – Regularización de pesos

Mejorar la generalización – Regularización – Dropout

Flujo de trabajo

Definición del problema – Entender el problema

Definición del problema – Recolectar datos

Definición del problema – Entender los datos y Escoger una medida de éxito

Creación del modelo – Preparar los datos

Creación del modelo – Elección del protocolo de evaluación

Creación del modelo – Superar una línea base

Creación del modelo – Desarrollar un modelo que sobreajuste

Creación del modelo – Regularizar y ajustar el modelo

Implementación del modelo – Establecer expectativas

Implementación del modelo – Desplegar un modelo de inferencia

Implementación del modelo – Monitorear el modelo en producción y mantenimiento del modelo

Keras avanzado

Estructura Secuencial

Modelos con multiples entradas y salidas

Conectividad del modelo

Heredando de Model

Escritura de métricas personalizadas

Callbacks personalizados

Entrenamiento VS Inferencia

Ciclo completo de entrenamiento y evaluación

fit() y el entrenamiento personalizado – Parte 1

fit() y el entrenamiento personalizado – Parte 2

Visión artificial

Redes neuronales convolucionales – Introducción

Redes neuronales convolucionales – Ejemplo práctico

Operación de convolución

Operación MaxPooling

Entrenamiento con pequeños conjuntos de datos – Introducción

Entrenamiento con pequeños conjuntos de datos – El modelo

Entrenamiento con pequeños conjuntos de datos – Carga de datos y entrenamiento

Entrenamiento con pequeños conjuntos de datos – Evaluación

Aumentación de datos

Entrenamiento con pequeños conjuntos de datos – Modificación del modelo

Modelos pre entrenados – Parte 1

Modelos pre entrenados – Parte 2

Modelos pre entrenados – Parte 3

Introducción Segunda parte Visión artificial

Segmentación de imágenes – Parte 1

Segmentación de imágenes – Parte 2 – Código

Segmentación de imágenes – Parte 3 – Código

Segmentación de imágenes – Parte 4 – Código

Segmentación de imágenes – Parte 5 – Código

Segmentación de imágenes – Parte 6 – Código

Segmentación de imágenes – Parte 7 – Código

Estructuras modernas para redes neuronales convolucionales – Introducción

Estructuras modernas para redes neuronales convolucionales – Conexiones residuales

Estructuras modernas para redes neuronales convolucionales – Batch normalization

Estructuras modernas para redes neuronales convolucionales – Convoluciones separables

Ejemplo completo

Interpretación del aprendizaje de la red convolucional – Ver activaciones intermedias

Interpretación del aprendizaje de la red convolucional – Ver filtros convolucionales

Interpretación del aprendizaje de la red convolucional – Ver mapas de activación

Series temporales

Predicción de temperatura – Parte 1

Predicción de temperatura – Parte 2

Predicción de temperatura – Parte 3

Predicción de temperatura – Parte 4

Predicción de temperatura – Parte 5

Predicción de temperatura – Parte 6

Predicción de temperatura – Parte 7

Entendiendo las Redes neuronales recurrentes – Parte 1

Entendiendo las Redes neuronales recurrentes – Parte 2

Entendiendo las Redes neuronales recurrentes – Parte 3

Entendiendo las Redes neuronales recurrentes – Parte 4

Entendiendo las Redes neuronales recurrentes – Parte 5

Uso avanzado de las RNN – Introducción

Uso avanzado de las RNN – Dropout recurrente

Uso avanzado de las RNN – Capas apiladas

Uso avanzado de las RNN – Redes recurrentes bidireccionales

Deep Learning para Texto

Preparación de los datos – Estandarización

Preparación de los datos – Tokenización

Preparación de los datos – Indexado

Preparación de los datos – Usando la capa TextVectorization

Conjuntos y secuencias – Introducción

Conjuntos y secuencias – Preparar Datos

Conjuntos y secuencias – Bolsa de palabras – Unigramas con codificación binaria

Conjuntos y secuencias – Bolsa de palabras – Bigramas con codificación binaria

Conjuntos y secuencias – Bolsa de palabras – Bigramas con codificación TF-IDF

Conjuntos y secuencias – Modelos de secuencia

Conjuntos y secuencias – Modelos de secuencia – Word embeddings

Conjuntos y secuencias – Modelos de secuencia – Word embeddings P2

Conjuntos y secuencias – Modelos de secuencia – Word embeddings preentrenadas P1

Conjuntos y secuencias – Modelos de secuencia – Word embeddings preentrenadas P2

Arquitectura del Transformer – Introducción

Arquitectura del Transformer – Autoatención

Arquitectura del Transformer – El modelo consulta-clave-valor

Arquitectura del Transformer – Atención de múltiples cabezas

Arquitectura del Transformer – Codificador Transformer P1

Arquitectura del Transformer – Codificador Transformer P2

Arquitectura del Transformer – Codificador Transformer – Positional Embedding

Arquitectura del Transformer – ¿Transformer o Bag of words?

Aprendizaje de secuencia a secuencia – Introducción

Aprendizaje de secuencia a secuencia – Traducción – Preparación de los datos – Parte 1

Aprendizaje de secuencia a secuencia – Traducción – Preparación de los datos – Parte 2

Aprendizaje de secuencia a secuencia – Traducción – Preparación de los datos – Parte 3

Aprendizaje de secuencia a secuencia – Traducción – Aprendizaje Seq2Seq con RNN – Introducción

Aprendizaje de secuencia a secuencia – Traducción – Aprendizaje Seq2Seq con RNN – Modelo

Aprendizaje de secuencia a secuencia – Traducción – Aprendizaje Seq2Seq con RNN – Resultados

Aprendizaje de secuencia a secuencia – Traducción – Aprendizaje Seq2Seq con Transformers – Introducción

Aprendizaje de sq2seq – Traducción – Aprendizaje Seq2Seq con Transformers – Decodificador Transformer

Aprendizaje de sq2seq – Traducción – Aprendizaje Seq2Seq con Transformers – Enmascaramiento Causal

Aprendizaje de sq2seq – Traducción – Aprendizaje Seq2Seq con Transformers – Forward pass

Aprendizaje de sq2seq – Traducción – Aprendizaje Seq2Seq con Transformers – Ensamble final del Transformer

Aprendizaje de sq2seq – Traducción – Aprendizaje Seq2Seq con Transformers – Resultados

Deep Learning generativo

Generación de texto – Introducción

Generación de texto – ¿Cómo se generan los datos secuenciales?

Generación de texto – Importancia de la estrategia de muestreo

Generación de texto – Preparación de datos

Generación de texto – Creación del modelo

Generación de texto – Entrenamiento

Generación de texto – Inferencia

Generación de texto – Conclusiones

DeepDream – Introducción

DeepDream – Preprocesamiento y deprocesamiento

DeepDream – Cálculo de la pérdida

DeepDream – Ascenso de gradiente

DeepDream – Generación de formas sucesivas

DeepDream – Generación

Transferencia de estilo neuronal – Introducción

Transferencia de estilo neuronal – Definición del extractor

Transferencia de estilo neuronal – Preprocesamiento de la imagen

Transferencia de estilo neuronal – Cálculo de la pérdida – Parte 1

Transferencia de estilo neuronal – Cálculo de la pérdida – Parte 2

Transferencia de estilo neuronal – Cálculo de la pérdida – Parte 3

Transferencia de estilo neuronal – Cierre

Autoencoders variacionales

Redes generativas adversarias

Acerca del Instructor

Jesús

30 Cursos

+89 inscrito

No Inscrito

Toma este curso

$1199 pesos MXN

Curso Incluye

213 Lecciones

Calificaciones y Reseñas

0.0

Calificación Promedio

0 Calificaciones

5

0

4

0

3

0

2

0

1

0

¿Cuál es tu experiencia? ¡Nos encantaría saber!

¡No se encontraron reseñas!

Mostrar más reseñas

¿Cuál es tu experiencia? ¡Nos encantaría saber!

► Cookies Necesarias Siempre Activo

Las cookies necesarias habilitan funciones esenciales del sitio como inicios de sesión seguros y ajustes de preferencias de consentimiento. No almacenan datos personales.

► Cookies Funcionales Observación

Las cookies funcionales soportan funciones como compartir contenido en redes sociales, recopilar comentarios y habilitar herramientas de terceros.

► Cookies Analíticas Observación

Las cookies analíticas rastrean interacciones de visitantes, proporcionando información sobre métricas como número de visitantes, tasa de rebote y fuentes de tráfico.

► Cookies de Publicidad Observación

Las cookies de publicidad entregan anuncios personalizados basados en sus visitas previas y analizan la efectividad de las campañas publicitarias.