Curso Universitario en Redes Neuronales Online

BLOQUE 1: INTRODUCCIÓN AL DEEP LEARNING

• ¿Qué es Machine Learning y Deep Learning?
• Instalación de entorno Python y librerías Deep Learning
• Aprendizaje supervisado
• ¿Qué es el overfitting / underfitting en el aprendizaje supervisado?
• Evaluación de rendimiento de modelos – Métricas de Clasificación
• Evaluación de rendimiento de modelos – Métricas de Regresión
• Aprendizaje no supervisado
• DESCARGA DATASETS & SCRIPTS CASOS PRÁCTICOS

BLOQUE 2: REDES NEURONALES ARTIFICIALES

• ¿Qué es una neurona y el modelo perceptrón?
• ¿Qué son las redes neuronales?
• Funciones de activación
• Funciones de activación en modelos multiclase
• Funciones de Coste y de Gradiente Descendente
• Propagación hacia atrás (backpropagation)
• Claves para crear redes neuronales efectivas
• ¿Qué nos proporciona Tensorflow y Keras?
• Regresión con Keras – Presentación caso práctico
• Regresión con Keras – Importación de librerías y fuentes
• Regresión con Keras – Análisis de datos (EDA) + Preprocesado (I)
• Regresión con Keras – Análisis de datos (EDA) + Preprocesado (II)
• Regresión con Keras – División Train / Test
• Regresión con Keras – Escalado
• Regresión con Keras – Creación de modelo
• Regresión con Keras – Entrenamiento del modelo

BLOQUE 3: REDES NEURONALES CONVOLUCIONALES (CNN)

• Introducción a las redes neuronales convolucionales (CNN)
• ¿Qué son los filtros de imagen y los kernels?
• Capas convolucionales en una CNN
• Capas pooling en una CNN
• Clasificación imágenes Blanco y Negro – Presentación caso práctico
• Clasificación imágenes Blanco y Negro – Importación de librerías y fuentes
• Clasificación imágenes Blanco y Negro – Preprocesado
• Clasificación imágenes Blanco y Negro – Creación del modelo
• Clasificación imágenes Blanco y Negro – Entrenamiento del modelo
• Clasificación imágenes Blanco y Negro – Evaluación y Predicción
• Clasificación imágenes RGB – Presentación caso práctico
• Clasificación imágenes RGB – Importación de librerías y fuentes
• Clasificación imágenes RGB – Preprocesado
• Clasificación imágenes RGB – Creación del modelo
• Clasificación imágenes RGB – Entrenamiento del modelo
• Clasificación imágenes RGB – Evaluación y Predicción

BLOQUE 4: REDES NEURONALES RECURRENTES (RNN)

• Introducción a las redes neuronales recurrentes (RNN)
• Neuronas LSTM
• Creación de batches en RNN
• Forecast RNN – Presentación caso práctico
• Forecast RNN – Importación de librerías y fuentes
• Forecast RNN – Preprocesado
• Forecast RNN – División Train / Test
• Forecast RNN – Escalado
• Forecast RNN – Creación Generador Serie Temporal
• Forecast RNN – Creación del modelo
• Forecast RNN – Entrenamiento del modelo
• Forecast RNN – Evaluación y Predicción

BLOQUE 5: REDES NEURONALES EN APRENDIZAJE NO SUPERVISADO

• Introducción a las redes neuronales en aprendizaje no supervisado
• ¿Qué son los autoencoders en una red neuronal?
• NN No Supervisado – Presentación caso práctico
• NN No Supervisado – Importación de librerías y fuentes
• NN No Supervisado – Preprocesado
• NN No Supervisado – Escalado
• NN No Supervisado – Estimación número de clusters
• NN No Supervisado – Creación del modelo
• NN No Supervisado – Entrenamiento del modelo
• NN No Supervisado – Evaluación y Predicción de clusters

BLOQUE 6: CONCLUSIONES

• Conclusiones
• Próximos Pasos
• Clase Extra – Cupones Descuento