Udemy

Platform

Español

Language

Other

Category

Inteligencia Artificial y Deep Learning desde cero en Python

Aprende Inteligencia Artificial y Deep Learning con Python, Tensorflow y Keras, conviértete en experto en Deep Learning.

4.64 (80 reviews)

Students

27 hours

Content

May 2021

Last Update
Regular Price

SKILLSHARE
SkillShare
Unlimited access to 30 000 Premium SkillShare courses
30-DAY FREE TRIAL

What you will learn

Los algoritmos y fundamentos más relevantes del Deep Learning y de la Inteligencia Artificial

La aplicación de técnicas de Deep Learning e Inteligencia Artificial a casos de uso prácticos reales

Librerías especializados como Tensorflow 2.0, Keras o Sklearn

Los fundamentos más relevantes de las Redes Neuronales Artificiales

El desarrollo e implementación de sistemas de Deep Learning e Inteligencia Artificial con Python 3

Las intuiciones matemáticas necesarias para comprender las técnicas actuales y futuras de Deep Learning

La ejecución de algoritmos de Deep Learning en entornos offline y online

El uso de Redes Neuronales Artificiales Profundas para la realización de predicciones y la resolución de tareas complejas


Description

¡Bienvenido a este curso sobre los fundamentos del Deep Learning y más concretamente de las Redes Neuronales Artificiales Profundas utilizando Python 3 y las librerías más populares como Sklearn, Tensorflow 2.0 o Keras!

Mi nombre es Santiago Hernández y voy a ser vuestro instructor a lo largo de este programa formativo, tenéis más información sobre mí en la biografía o en el vídeo “Presentación del instructor”.

A lo largo de este curso sobre Inteligencia Artificial y Deep Learning presentaré, desde un nivel muy básico y al alcance de todo tipo de perfiles, los fundamentos teóricos y matemáticos que se necesitan para comprender en detalle el funcionamiento de los algoritmos de Deep Learning y las librerías (Tensorflow, Keras ...) más importantes en la actualidad.

Para ello, utilizaré el enfoque que mejores resultados me ha proporcionado al impartir este tipo de clases en diferentes universidades, un enfoque práctico, en el que veréis como se desarrollan las diferentes funciones y ecuaciones matemáticas de mi puño y letra.

Representaré gráficamente todas las intuiciones matemáticas en las que se fundamenta la Inteligencia Artificial y más concretamente el Deep Learning, de manera que, cualquier persona pueda comprenderlas y avanzar con las siguientes secciones. Este no es un curso para matemáticos, es un curso para todos aquellos que quieren adentrarse en el dominio del aprendizaje profundo construyendo unas bases sólidas que le permitan solucionar problemas reales mediante la implementación de las principales técnicas existentes en Python 3 con Tensorflow 2.0 y Keras y comprender aquellos algoritmos que surjan en el futuro.

A medida que vayamos construyendo y comprendiendo estos fundamentos teóricos, iremos aplicándolos a mas de 30 casos de uso prácticos. Yo soy un firme creyente de que aquellas cosas que se aprenden de manera teórica deben saberse aplicar a casos de uso prácticos para sacarles todo el rendimiento posible, y esto es exactamente lo que haremos a lo largo del curso.

En estos casos prácticos, trataremos de resolver diferentes problemas que existen en la actualidad mediante la aplicación de Machine Learning, Deep Learning y Data Science utilizando las últimas librerías disponibles, como, por ejemplo, Sklearn, Keras o Tensorflow mediante el lenguaje de programación Python 3. Por supuesto, desde el primer momento dispondréis de todo el código fuente y de la posibilidad de utilizarlo para vuestros propios desarrollos.

La inteligencia Artificial y el Deep Learning, han sido percibidas en muchas ocasiones como disciplinas complejas al alcance de unos pocos profesionales. Este curso ha sido creado para refutar esta creencia y demostrar que cualquier persona con suficiente interés puede convertirse en un profesional de la Inteligencia Artificial y las redes neuronales artificiales profundas, inscríbete ahora y compruébalo tú mismo.


Temario del curso

  1. Bienvenida al curso de Deep Learning y Redes Neuronales Artificiales Profundas

  2. Motivación

  3. Entorno de aprendizaje: Jupyter Notebook, Anaconda, Python 3, Google Colaboratory

  4. ¿Qué es el Deep Learning?: End-to-end Learning, Machine Learning

  5. Introducción a las Redes Neuronales Artificiales: Neurona de Mcculloch y Pitts

  6. El Perceptrón

  7. Redes Neuronales Artificiales Profundas: Perceptrón Multicapa

  8. Función de error y función de optimización: Binary Crossentropy, Gradient Descent

  9. Entrenamiento de Redes Neuronales Artificiales Profundas: Forward Propagation, Backward Propagation

  10. Redes Neuronales Artificiales Profundas: Implementación Vectorizada

  11. Regresión y Clasificación con Redes Neuronales Artificiales Profundas: Softmax Regression

  12. Introducción a Keras con Python 3

  13. Funciones de activación: sigmod, tanh, relu, leaky relu...

  14. Funciones de optimización: Mini-Batch Gradient Descent, Stochastic Gradient Descent, Momentum Gradient Descent, RMSprop, Adam

  15. Selección de hiperparámetros: Keras tuner

  16. Tensorflow 2.0: Implementando Redes Neuronales Artificiales profundas

  17. Consideraciones de un proyecto de Deep Learning: Overfitting, Underfitting, Train Set, Validation Set, Test Set, Regularización, Dropout, Normalización...

  18. Despedida del curso de Deep Learning


Screenshots

Inteligencia Artificial y Deep Learning desde cero en Python
Inteligencia Artificial y Deep Learning desde cero en Python
Inteligencia Artificial y Deep Learning desde cero en Python
Inteligencia Artificial y Deep Learning desde cero en Python

Content

Bienvenida

Presentación del curso

Presentación del instructor

Contexto del Deep Learning y Motivación

Contexto del Deep Learning y Motivación

Fake Obama creado utilizando Deep Learning

Entorno de aprendizaje

Introducción a la sección

Preparación del entorno de aprendizaje

Preparación del entorno offline

Preparación del entorno online

Descarga de los ejercicios y de los conjuntos de datos

Presentación videos opcionales

[Opcional] Caso Práctico: Introducción a Numpy

[Opcional] Caso Práctico: Introducción a Pandas

[Opcional] Caso Práctico: Introducción a Matplotlib

¿Qué es el Deep Learning?

Introducción a la sección

¿Qué es el Machine Learning?

End-to-End Learning

Caso Práctico: Intuiciones sobre End-to-End Learning

¿Qué es el Deep Learning?

Aplicaciones y clasificación de las técnicas de Deep Learning

Presentación vídeos opcionales

[Opcional] Aprendizaje supervisado

[Opcional] Aprendizaje no supervisado

Introducción a las Redes Neuronales Artificiales (RNAs)

Introducción a la sección

Introducción a las Redes Neuronales Artificiales

Introducción a la neurona de Mcculloch y Pitts

Características de entrada y limitaciones de la Neurona M-P

Caso Práctico: Implementando la Neurona M-P

Caso Práctico: Diagnóstico de cáncer de mama con la Neurona M-P

El Perceptrón

Introducción a la sección

Introducción al Perceptrón

Neurona M-P vs Perceptrón

Perceptrón y eliminación del threshold

Notación y funcionamiento del Perceptrón

Perceptrón: Funciones de activación

Caso Práctico: Visualización del límite de decisión del Perceptrón

Perceptrón: Construcción del modelo

Perceptrón: Limitaciones

Caso Práctico: Clasificación de Imágenes

Redes Neuronales Artificiales Profundas

Introducción a la sección

Introducción al Perceptrón Multicapa

Arquitectura del Perceptrón Multicapa

Notación y funcionamiento del Perceptrón Multicapa

Componentes principales del Perceptrón Multicapa

Función de activación del Perceptrón Multicapa

Caso Práctico: Límite de decisión del Perceptrón Multicapa

Introducción a Forward Propagation

Forward Propagation con el Perceptrón Multicapa

Forward Propagation para multiples entradas

Función de error y de optimización en RNAs

Introducción a la sección

Introducción a la función de error

Entendiendo la función de error

Función de error final

Introducción a la función de optimización

Entendiendo la función de optimización

Función de optimización final

Caso Práctico: Clasificación de imágenes de dígitos manuscritos

Entrenamiento de Redes Neuronales Artificiales Profundas

Introducción a la sección

Grafo computacional

Derivadas con el Grafo Computacional

Regla de la cadena

[Opcional] Simplificando el resultado de las derivadas

Backward Propagation

Entrenado una RNA simple

Entrenando una RNA profunda

Caso Práctico: Clasificación de audio (Parte I)

Caso Práctico: Clasificación de audio (Parte II)

[Opcional] Implementación Vectorizada de RNAs

Introducción a la sección

Introducción a la vectorización

Vectorización de la primera hidden layer

Vectorización de la segunda hidden layer

Regresión y Clasificación con RNAs

Introducción a la sección

Clasificación con Redes Neuronales Artificiales

Introducción a la Clasificación Multiclase con RNAs

Función de activación Softmax

Función de error para Clasificación Multiclase

Entrenando un Perceptrón para Clasificación Multiclase

Regresión con Redes Neuronales Artificiales

Introducción a Keras

Introducción a la sección

Introducción a Keras

Caso Práctico: Implementando una RNA con Keras

Caso Práctico: Entrenando una RNA con Keras

Caso Práctico: Límite de decisión de una RNA profunda

Caso Práctico: Clasificación de sonido con Keras

Caso Práctico: Regresión con Keras

Funciones de activación

Introducción a la sección

Introducción a las funciones de activación

Función de activación tanh

Función de activación relu

Entrenamiento con diferentes funciones de activación

Caso Práctico: Visualizando las funciones de activación

¿Por qué utilizar una función de activación?

Caso Práctico: ¿Por qué utilizar una función de activación?

¿Por qué utilizar una función de activación diferenciable?

Caso Práctico: Clasificación de sentimientos

Funciones de Optimización

Introducción a la sección

Introducción a Mini-Batch Gradient Descent

Mini-Batch Gradient Descent

Caso Práctico: Mini-Batch Gradient Descent

Stochastic Gradient Descent

Caso Práctico: Stochastic Gradient Descent

Exponentially Weighted Moving Average (Part I)

Exponentially Weighted Moving Average (Part II)

Caso Práctico: Exponentially Weighted Moving Average

Momentum Gradient Descent

Caso Práctico: Momentum Gradient Descent

RMSprop

Caso Práctico: RMSprop

Adam Optimization

Caso Práctico: Adam Optimization

Selección de hiperparámetros

Introducción a la sección

¿Qué es un hiperparámetro?

Caso Práctico: Selección de hiperparámetros con Keras Tuner

Número de capas óptimo

Número de neuronas óptimo

Otros hiperparámetros relevantes

Caso Práctico: Selección de hiperparámetros y clasificación de texto

Tensorflow 2.0

Introducción a la sección

Introducción a Tensorflow 2.0

Caso Práctico: Tensores y operaciones con tensores

Caso Práctico: Creación de una función de error personalizada

Caso Práctico: Creación de otros componentes personalizados

Caso Práctico: Creación de capas personalizadas

Consideraciones de un proyecto de Deep Learning

Introducción a la sección

Overfitting y Underfitting

División del conjunto de datos (Train-Val-Test)

¿Qué es la Regularización?

Regularización en Redes Neuronales Artificiales

Dropout Regularization

Otros mecanismos de Regularización

¿Qué es la Normalización?

Caso Práctico: Clasificación de Tweets de desastres naturales

Despedida del curso

Despedida del curso


Reviews

S
Sebastian30 July 2021

El curso es una base más que sólida para adentrarse de lleno al mundo de la inteligencia artificial, en este se explican los conceptos más actuales e importantes. El instructor realiza las explicaciones de una manera amena y entendible.

J
Juan12 July 2021

Super bueno el curso, realmente vale la pena. Espero nuevos cursos del autor relativos a la IA, en especial me gusta la visión artificial.

R
Roberto1 July 2021

Excelente curso. Santiago logra explicar una materia muy compleja de forma amena y comprensible. Me habría gustado que hubiera abordado la parte de carga de datos, que no es un tema muy sencillo en Deep Learning, pero por lo demas el curso es excelente. Espero con ansias los próximos. Gracias!

P
Pablo18 May 2021

Buen curso. Explicaciones claras y buen uso del material de apoyo. Lo recomiendo y espero que salga el siguiente curso.

J
Jaime25 January 2021

Toda la información que necesita cualquiera para empezar con las Redes Neuronales Artificiales se encuentra en este curso. Superó por mucho mis expectativas. Tiene vídeos largos y bien explicados sobre las matemáticas y fundamentos tras los algoritmos muy recomendables de ver. No son necesarios pero se hace muy ameno pese a la densidad de la materia que explica. Además los códigos están perfectos, sale todo a la primera sin tener que limpiar o transferir código debido a alguna biblioteca desactualizada. Si queréis empezar con las RNA este es el curso perfecto!

J
Juan8 January 2021

Muy buen curso, el profesor explica de manera clara y siempre está pendiente de cualquier duda o problema que tengan los estudiantes en el desarrollo de los ejercicios del curso

M
Manuel23 December 2020

Genial curso! Muy ameno la verdad y super completo, ideal para crear una base sólida sobre deep learning. Muy recomendable!


3683272

Udemy ID

12/5/2020

Course created date

1/22/2021

Course Indexed date
Bot
Course Submitted by