Especialización en Deep Learning
Emisor: Escuela Musk
150 horas
·Avanzado
·Español
Programa certificado por ARP
Diploma ARP de validez internacional
Valoraciones de alumnos verificados
Precio a consultar
- Adquirirá conocimientos en fundamentos del Deep Learning.
- Comprenderá redes neuronales y su arquitectura.
- Desarrollará competencias en técnicas de modelado avanzado.
- Aplicará métodos de preprocesamiento de datos.
- Evaluará y optimizará modelos de aprendizaje profundo.
- Utilizará herramientas como TensorFlow y PyTorch.
- Implementará modelos de Deep Learning en la nube.
- Entenderá tendencias y desafíos futuros del Deep Learning.
Requisitos:
- Es obligatorio tener conocimientos previos en Machine Learning.
- Es recomendable experiencia con Python y librerías científicas como Numpy y Pandas.
150 horas en total
Introducción a los conceptos básicos y arquitectura del Deep Learning.
- ¿Qué es el Deep Learning?
- Evolución del Deep Learning.
- Comparación: Deep Learning vs Machine Learning.
- Aplicaciones del Deep Learning.
- Fundamentos de las redes neuronales.
- Arquitectura de una red neuronal: neuronas, capas y activaciones.
- Propagación hacia adelante y hacia atrás (Forward y Backpropagation).
- Funciones de activación: Sigmoid, ReLU, Tanh.
- Introducción a las librerías de Deep Learning: TensorFlow, Keras, PyTorch.
- Instalación y configuración de TensorFlow y Keras.
- Instalación y configuración de PyTorch.
Profundización en los modelos avanzados de Deep Learning.
- Fundamentos de las CNN.
- Arquitectura y funcionamiento de una CNN.
- Aplicaciones de las CNN en visión por computadora.
- Fundamentos de las RNN.
- Arquitectura y funcionamiento de una RNN.
- LSTM y GRU: mejoras a las RNN tradicionales.
- Aplicaciones de las RNN en procesamiento de lenguaje natural.
- Introducción a las Redes Generativas Antagónicas (GANs).
- Funcionamiento y aplicaciones de las GANs.
- Introducción a los Transformers.
- Funcionamiento y aplicaciones de los Transformers.
Técnicas avanzadas para la optimización y evaluación de modelos.
- Importancia de los datos en Deep Learning.
- Técnicas de preprocesamiento de datos.
- Aumentación de datos y técnicas de regularización.
- Configuración del proceso de entrenamiento.
- Optimización: funciones de costo y algoritmos de optimización.
- Técnicas para evitar el overfitting.
- Evaluación de modelos de Deep Learning.
- Métricas de evaluación: precisión, recall, F1-score.
- Técnicas de ajuste de hiperparámetros.
Aplicación de modelos en entornos de producción y en la nube.
- Desafíos en la implementación de modelos.
- Herramientas para el despliegue de modelos: TensorFlow Serving, ONNX.
- Ventajas del uso de la nube para Deep Learning.
- Principales proveedores de servicios en la nube: AWS, GCP, Azure.
- Implementación de modelos en la nube.
Exploración de las tendencias, ética y futuro del Deep Learning.
- Innovaciones recientes en Deep Learning.
- Deep Learning en hardware: TPU, GPU.
- Ética y Deep Learning.
- Oportunidades futuras en Deep Learning.
- Sesiones en Vivo. Los estudiantes contarán con sesiones semanales en vivo para interactuar con los docentes y resolver dudas.
- Material Adicional. Acceso a guías, documentos y casos prácticos descargables que complementan los temas tratados en el curso.
- Foro de Discusión. Espacio de discusión para que los estudiantes compartan ideas y resuelvan inquietudes entre pares y docentes.
¿Quieres más información?
Completa este formulario y la academia se pondrá en contacto contigo.
¿Quieres más información?
Completa este formulario y la academia se pondrá en contacto contigo.
¿Algo no está bien?
Si has encontrado en este curso información que no está bien puedes reportar una incidencia aquí.
