1. Cursos
  2. Tecnología
  3. Inteligencia artificial
  4. Aprende Deep Learning con Keras/Tensorflow en Python

Aprende Deep Learning con Keras/Tensorflow en Python

Conviertete en un experto del Deep Learning mediante este curso guiado desde cero y su material(videos,código y aún más).

Aprende Deep Learning con Keras/Tensorflow en Python
Comparte este curso

Descripción del curso

Es posible que a día de hoy muchos de vosotros hallais escuchado un monton de palabras en ingles del mundo empresarial o académico, entre las cuales estaban Deep Learning o Machine Learning. ¿Son estos conceptos humo?, pues bien, debeis saber que muy lejos de la verdad el machine learning y una de sus especializaciones, el Deep Learning son disciplinas muy utilizadas hoy en día por las cuales en grandes empresas como Indra, GMV, Accenture...y otras llegan a pagar hasta 50000-60000 euros anuales. ¿Pero para que sirven y porque están tan bien pagadas no?.

En este curso vamos a partir de cero para entender paso a paso como  funciona el Deep Learning, como se puede aplicar el mismo y que fundamentos matemáticos se esconden detrás de esta disciplina. Pero todos sabemos lo duras y engorrosas que se pueden llegar a hacer las explicaciones teóricas con tanto fundamento matemático. Por lo cual este curso va a tratar de abordar muchos y muy diferentes casos prácticos de problemas reales, en algunos de empresas, o investigación afrontados por mi mismo, a través de los cuáles introduciremos la teoría del Deep Learning de forma mucho más amena y amigable.

¿Cual es la ventaja de este curso frente a otros similares? Vamos a tratar el Deep Learning desde un nivel de aprendiz hasta el nivel Experto de cualquier científico de Datos hoy en día. Los Pros de este enfoque es que al acabar este curso sabreis desenvolveros y afrontar problemas con Deep Learning, pero también requerirá un mayor esfuerzo ya que no es sencillo pasar de 0 a 100.

¿Como se va a organizar el curso?:
 -Lección 1: Introducción al Deep Learning:

   - Introducción

   - Presentación del profesor 

   - ¿Quien puede hacerlo?

   - ¿Que se necesita?

   - ¿Tiene salidas y se usa en la empresa?

   - ¿Necesitas muchos conocimientos para aplicarlo?

   - ¿Como vamos a proceder a enseñarlo?).

-Lección 2: Instrumentación e instalacion:

  -¿Que software necesitamos?(Cuda, Python, Keras, Anaconda..etc)

  -¿Como instalar todo en Linux?, ¿Como instalar todo en Windows?

  - ¿Como usar Google Collabolatory si no tenemos GPU o no queremos instalar nada?.

  - Primer Caso práctico de prueba con Deep Learning y la base de datos MNIST

-Lección 3: Redes Neuronales Clásicas:

  - Introducción a  las redes neuronales clásicas

  -¿Como funcionan?, ¿Que es una neurona?

  -Estructura de las mismas

  -Tipos de problemas a enfrentar

  -Explicaciones de tipos de capas, activaciones, optimizadores y callbacks principales

  -Análisis de primer caso práctico linea por linea en Keras

  -¿Porque dejaron de usarse en algunos casos?

-Lección 4: Redes Neuronales Convolucionales

   -Bloque 4.1:Fundamentos e inicio a las Redes Neuronales Convolucionales

    -Introducción a las redes neuronales Convolucionales

    -¿Que son y como funcionan?

    -Estructura y capas más utilizadas en las mismas

    -Uso de la API de Keras en lugar del modelo Sequential

    -Análisis y resolución de 3 casos prácticos paso por paso con las bases de datos MNIST, CIFAR10 y CIFAR100 en Keras

   -Bloque 4.2: Principales Problemas planteados en el Deep Learning

    -Clasificación Binaria: Análisis del problema, explicación y resolución de un caso práctico en Keras

    -Clasificación Multiclase: Análisis del problema, explicación y resolución de un caso práctico en Keras

    -Regresión: Análisis del problema, explicación y resolución de un caso práctico en Keras

   -Bloque 4.3: Arquitecturas más famosas en el Deep Learning y Explicación de las mismas

   -VGG16

   -Inception V3

   -Resnet

   -Inception V4

   -Inception-Resnet

   -Xception

   - Benchmark de las redes previamente explicadas en un ejemplo práctico de python en Keras

   -¿Que es el Fine Tuning y el Transfer Learning?

   - Uso de Fine Tuning y Transfer Learning en un ejemplo práctico de python en Keras

-Leccion 5: Las Redes Recurrentes

  -Introducción a las redes neuronales Recurrentes

  -¿Que son y como funcionan?

  -Redes Recurrentes más conocidas(LSTM y GRU)

  -Estructura y capas más utilizadas en las mismas

  - Análisis y resolución de 2 casos prácticos LSTM Convolucionales y LSTM en Series Temporales

  - Las Redes Recurrentes en el procesado de texto + ejemplo práctico de su uso sobre la detección de texto tóxico

 Por último a medida que avance el tiempo se irá añadiendo más contenido como el de las redes adversarias, redes para audio o para video....

La portada ha sido diseñada usando imágenes de Freepik.

Musica de fondo: Depart (cdk mix) by Analog By Nature (c) copyright 2015 Licensed under a Creative Commons Attribution license. Ft: Tekno Eddy
  

Contenido del curso

Introduccion

28:29
  • 1-Aplicaciones del Deep Learning12:15
  • 1-Introduccion16:14AVANCE

Instrumentacion e Instalación

02:35:20
  • 2.0-Instalacion en Windows Parte 1: Introducción y Python06:19
  • 2.1-Instalación en Windows Parte 2: Cuda y CuDnn21:44
  • 2.2-Instalación en WIndows Parte 3: Entorno Anaconda y Pycharm23:33
  • 2.3-Instalación en Windows Parte 4: Primer código28:03
  • 2.4-Instalación en Linux Parte 1: introducción y instalación de Python02:59
  • 2.5-Instalación en Linux Parte 2: Instalación de Cuda y Cudnn14:58
  • 2.6-Instalación en Linux Parte 3: Instalación de Entorno, Ide y Librerías22:32
  • 2.7-Instalación en Linux Parte 4: Primer código20:56
  • 2.8-Uso de Google Collab y primer código de Deep Learning14:16

Redes Neuronales Clásicas

01:50:45
  • 3.0-Redes Neuronales Clásicas: Introducción01:45
  • 3.1-Redes Neuronales Clásicas: El Perceptron04:46
  • 3.2-Redes Neuronales Clásicas: La Neurona12:38
  • 3.3-Redes Neuronales Clásicas: La Función de Activación06:04
  • 3.4-Redes Neuronales Clásicas: Estructura11:43
  • 3.5-Redes Neuronales Clásicas: Preprocesado de Datos05:30
  • 3.6-Redes Neuronales Clásicas: El Entrenamiento Parte 113:41
  • 3.7-Redes Neuronales Clásicas: El Entrenamiento Parte 207:02
  • 3.8-Redes Neuronales Clásicas: Las Neuronas en Keras/Tensorflow06:55
  • 3.9-Redes Neuronales Clásicas: Métodos y Callbacks más conocidos14:53
  • 3.10-Redes Neuronales Clásicas: Ejemplo Práctico25:48

Redes Neuronales Convolucionales

04:08:20
  • 4.0-Redes Neuronales Convolucionales Parte 1: Introducción08:12
  • 4.1-Redes Neuronales Convolucionales Parte 2: Capas Convolucionales17:04
  • 4.2-Redes Neuronales Convolucionales Parte 3: Capas Densas05:24
  • 4.3-Redes Neuronales Convolucionales Parte 4: Max Pooling09:13
  • 4.4-Redes Neuronales Convolucionales Parte 5: Dropout06:32
  • 4.5-Redes Neuronales Convolucionales Parte 6: Batch Normalization07:43
  • 4.6-Redes Neuronales Convolucionales Parte 7: Activaciones12:14
  • 4.7-Redes Neuronales Convolucionales Parte 8: Ejemplo Práctico51:25
  • 4.8-Tipos de Problemas: Clasificación Multiclase18:04
  • 4.9-Tipos de Problemas: Regresión14:39
  • 4.10-Tipos de Problemas: Clasificación Binaria19:40
  • 4.11-Arquitecturas más conocidas: Alexnet10:01
  • 4.12-Arquitecturas más conocidas: VGG1605:01
  • 4.13-Arquitecturas más conocidas: Inception V310:03
  • 4.14-Arquitecturas más conocidas: Resnet11:07
  • 4.15-Arquitecturas más conocidas: Inception V4 + Inception-Resnet11:55
  • 4.16-Arquitecturas más conocidas: Xception04:52
  • 4.17-Comparacion arquitecturas, Fine tuning y Transfer learning25:11

Redes Neuronales Recurrentes

01:29:52
  • 5.0-Introducción a Redes Recurrentes10:46
  • 5.1-Redes Recurrentes Simples (RNN)05:26
  • 5.2-Redes de puerta recurrente (GRU)10:27
  • 5.3-LSTM11:16
  • 5.4-Caso Práctico de Redes Neuronales Recurrentes aplicadas a series temporales24:08
  • 5.5-Caso Práctico de Redes Neuronales Recurrentes Convolucionales13:21
  • 5.6-Caso Práctico de Redes Neuronales Recurrentes aplicadas a texto14:28

Valoraciones

4.8/5
11 Valoraciones
  • 5 ESTRELLAS
    82%
  • 4 ESTRELLAS
    18%
  • 3 ESTRELLAS
    0%
  • 2 ESTRELLAS
    0%
  • 1 ESTRELLAS
    0%
  • Ruiz Huillca Alvaro
    Ruiz
      Huillca Alvaro
    Incluir valoración media (en números)

  • Balbino Sobreviela
    Balbino
      Sobreviela
    Incluir valoración media (en números)

    Por ahora he hecho poco pero lo que he hecho es genial

  • Hector Alfonso Oliva Rojas
    Hector Alfonso
      Oliva Rojas
    Incluir valoración media (en números)

    Es un curso practico, recomendaría mejorar la calidad de los vídeos, por ejemplo calidad FHD para poder visualizar los códigos, también colocar referencias bibliográficas para profundizar en cada tema.

  • Alejandro Herranz Huertas
    Alejandro
      Herranz Huertas
    Incluir valoración media (en números)

  • Rafael Hernampérez
    Rafael
      Hernampérez
    Incluir valoración media (en números)

    Las clases son amenas y el profesor es buen comunicador. Los temas se tratan desde lo más fácil y con una evolución natural.

  • Verónica Ruiz
    Verónica
      Ruiz
    Incluir valoración media (en números)

  • Jose Manuel Recio Lazaro
    Jose Manuel
      Recio Lazaro
    Incluir valoración media (en números)

  • Adolfo Catral Sanabria
    Adolfo
      Catral Sanabria
    Incluir valoración media (en números)

  • Carles Casademunt Figueras
    Carles
      Casademunt Figueras
    Incluir valoración media (en números)

  • Sara Luengo Sánchez
    Sara
      Luengo Sánchez
    Incluir valoración media (en números)

  • Ignacio Motril Alberti
    Ignacio
      Motril Alberti
    Incluir valoración media (en números)

    Un gran curso, muy útil, y muy específico. Gracias David

¿Por qué pagar por un curso cuando puedes tenerlos todos?

Prueba la Suscripción ahora
O quiero saber más
Apúntate POR 20€
GRATIS con la Suscripción