Inteligencia Artificial y Deep Learning desde cero en Python
- Descripción
- Currículum
- Reseñas
¡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
-
Bienvenida al curso de Deep Learning y Redes Neuronales Artificiales Profundas
-
Motivación
-
Entorno de aprendizaje: Jupyter Notebook, Anaconda, Python 3, Google Colaboratory
-
¿Qué es el Deep Learning?: End-to-end Learning, Machine Learning
-
Introducción a las Redes Neuronales Artificiales: Neurona de Mcculloch y Pitts
-
El Perceptrón
-
Redes Neuronales Artificiales Profundas: Perceptrón Multicapa
-
Función de error y función de optimización: Binary Crossentropy, Gradient Descent
-
Entrenamiento de Redes Neuronales Artificiales Profundas: Forward Propagation, Backward Propagation
-
Redes Neuronales Artificiales Profundas: Implementación Vectorizada
-
Regresión y Clasificación con Redes Neuronales Artificiales Profundas: Softmax Regression
-
Introducción a Keras con Python 3
-
Funciones de activación: sigmod, tanh, relu, leaky relu…
-
Funciones de optimización: Mini-Batch Gradient Descent, Stochastic Gradient Descent, Momentum Gradient Descent, RMSprop, Adam
-
Selección de hiperparámetros: Keras tuner
-
Tensorflow 2.0: Implementando Redes Neuronales Artificiales profundas
-
Consideraciones de un proyecto de Deep Learning: Overfitting, Underfitting, Train Set, Validation Set, Test Set, Regularización, Dropout, Normalización…
-
Despedida del curso de Deep Learning






-
4Introducción a la secciónVideo lesson
-
5Preparación del entorno de aprendizajeVideo lesson
-
6Preparación del entorno offlineVideo lesson
-
7Preparación del entorno onlineVideo lesson
-
8Descarga de los ejercicios y de los conjuntos de datosVideo lesson
-
9Presentación videos opcionalesVideo lesson
-
10[Opcional] Caso Práctico: Introducción a NumpyVideo lesson
-
11[Opcional] Caso Práctico: Introducción a Pandas - SeriesVideo lesson
-
12[Opcional] Caso Práctico: Introducción a Pandas - DataFramesVideo lesson
-
13[Opcional] Caso Práctico: Introducción a MatplotlibVideo lesson
-
14Introducción a la secciónVideo lesson
-
15¿Qué es el Machine Learning?Video lesson
-
16End-to-End LearningVideo lesson
-
17Caso Práctico: Intuiciones sobre End-to-End LearningVideo lesson
-
18¿Qué es el Deep Learning?Video lesson
-
19Aplicaciones y clasificación de las técnicas de Deep LearningVideo lesson
-
20Presentación vídeos opcionalesVideo lesson
-
21[Opcional] Aprendizaje supervisadoVideo lesson
-
22[Opcional] Aprendizaje no supervisadoVideo lesson
-
23Introducción a la secciónVideo lesson
-
24Introducción a las Redes Neuronales ArtificialesVideo lesson
-
25Introducción a la neurona de Mcculloch y PittsVideo lesson
-
26Características de entrada y limitaciones de la Neurona M-PVideo lesson
-
27Caso Práctico: Implementando la Neurona M-PVideo lesson
-
28Caso Práctico: Diagnóstico de cáncer de mama con la Neurona M-PVideo lesson
-
29Introducción a la secciónVideo lesson
-
30Introducción al PerceptrónVideo lesson
-
31Neurona M-P vs PerceptrónVideo lesson
-
32Perceptrón y eliminación del thresholdVideo lesson
-
33Notación y funcionamiento del PerceptrónVideo lesson
-
34Perceptrón: Funciones de activaciónVideo lesson
-
35Caso Práctico: Visualización del límite de decisión del PerceptrónVideo lesson
-
36Perceptrón: Construcción del modeloVideo lesson
-
37Perceptrón: LimitacionesVideo lesson
-
38Caso Práctico: Clasificación de ImágenesVideo lesson
-
39Introducción a la secciónVideo lesson
-
40Introducción al Perceptrón MulticapaVideo lesson
-
41Arquitectura del Perceptrón MulticapaVideo lesson
-
42Notación y funcionamiento del Perceptrón MulticapaVideo lesson
-
43Componentes principales del Perceptrón MulticapaVideo lesson
-
44Función de activación del Perceptrón MulticapaVideo lesson
-
45Caso Práctico: Límite de decisión del Perceptrón MulticapaVideo lesson
-
46Introducción a Forward PropagationVideo lesson
-
47Forward Propagation con el Perceptrón MulticapaVideo lesson
-
48Forward Propagation para multiples entradasVideo lesson
-
49Introducción a la secciónVideo lesson
-
50Introducción a la función de errorVideo lesson
-
51Entendiendo la función de errorVideo lesson
-
52Función de error finalVideo lesson
-
53Introducción a la función de optimizaciónVideo lesson
-
54Entendiendo la función de optimizaciónVideo lesson
-
55Función de optimización finalVideo lesson
-
56Caso Práctico: Clasificación de imágenes de dígitos manuscritosVideo lesson
-
57Introducción a la secciónVideo lesson
-
58Grafo computacionalVideo lesson
-
59Derivadas con el Grafo ComputacionalVideo lesson
-
60Regla de la cadenaVideo lesson
-
61[Opcional] Simplificando el resultado de las derivadasVideo lesson
-
62Backward PropagationVideo lesson
-
63Entrenado una RNA simpleVideo lesson
-
64Entrenando una RNA profundaVideo lesson
-
65Caso Práctico: Clasificación de audio (Parte I)Video lesson
-
66Caso Práctico: Clasificación de audio (Parte II)Video lesson
-
71Introducción a la secciónVideo lesson
-
72Clasificación con Redes Neuronales ArtificialesVideo lesson
-
73Introducción a la Clasificación Multiclase con RNAsVideo lesson
-
74Función de activación SoftmaxVideo lesson
-
75Función de error para Clasificación MulticlaseVideo lesson
-
76Entrenando un Perceptrón para Clasificación MulticlaseVideo lesson
-
77Regresión con Redes Neuronales ArtificialesVideo lesson
-
78Introducción a la secciónVideo lesson
-
79Introducción a KerasVideo lesson
-
80Caso Práctico: Implementando una RNA con KerasVideo lesson
-
81Caso Práctico: Entrenando una RNA con KerasVideo lesson
-
82Caso Práctico: Límite de decisión de una RNA profundaVideo lesson
-
83Caso Práctico: Clasificación de sonido con KerasVideo lesson
-
84Caso Práctico: Regresión con KerasVideo lesson
