Curso Redes Neuronales con Python y Tensorflow Online

BLOQUE 1. Introducción al deep learning

• Diferencias entre machine learning y deep learning
• Instalación del entorno python y librerías especializadas
• Aprendizaje supervisado y no supervisado
• Conceptos de overfitting y underfitting en el entrenamiento
• Evaluación del rendimiento: Métricas de clasificación y regresión
• Descarga de datasets y scripts para casos prácticos

BLOQUE 2. Redes neuronales artificiales

• Fundamentos: La neurona biológica, el modelo perceptrón y redes neuronales
• Funciones de activación y su aplicación en modelos multiclase
• Matemáticas del aprendizaje: Funciones de coste, gradiente descendente y backpropagation
• Uso de tensorflow y keras como frameworks de desarrollo
• Caso práctico de regresión: Eda, preprocesado, escalado y creación del modelo
• Clasificación binaria y multiclase: Entrenamiento, evaluación y predicción
• Monitorización de modelos con tensorboard

BLOQUE 3. Redes neuronales convolucionales (cnn)

• Introducción a las cnn: Procesamiento de imágenes, filtros y kernels
• Arquitectura cnn: Capas convolucionales y capas de pooling
• Caso práctico b/n: Clasificación de imágenes en blanco y negro
• Caso práctico rgb: Tratamiento y clasificación de imágenes en color
• Entrenamiento y evaluación de modelos de visión artificial

BLOQUE 4. Redes neuronales recurrentes (rnn)

• Introducción a las rnn y funcionamiento de las neuronas lstm
• Gestión de datos secuenciales: Creación de batches y generadores de series temporales
• Caso práctico forecast: Predicción de series temporales con rnn
• Preprocesado, escalado y evaluación de modelos predictivos

BLOQUE 5 Y 6. Aprendizaje no supervisado y conclusiones

• Redes neuronales no supervisadas: Introducción y concepto de autoencoders
• Caso práctico: Estimación de clusters y creación de modelos no supervisados
• Evaluación y predicción de agrupamientos (clusters)
• BLOQUE 6. Conclusiones finales y próximos pasos en la carrera de ia