Programa del Curso

Introducción

Fundamentos de Inteligencia Artificial y Machine Learning

Comprensión Deep Learning

    Visión general de los conceptos básicos del aprendizaje profundo Diferenciación entre Machine Learning y aprendizaje profundo Descripción general de las aplicaciones para el aprendizaje profundo

Descripción general de Neural Networks

    ¿Qué son Neural Networks Neural Networks Modelos de regresión vs Comprender los fundamentos matemáticos y los mecanismos de aprendizaje Construcción de una red neuronal artificial Comprensión de los nodos neuronales y las conexiones Trabajar con neuronas, capas y datos de entrada y salida Comprensión de los perceptrones de una sola capa Diferencias entre el aprendizaje supervisado y el no supervisado Feedforward y retroalimentación de aprendizaje Neural Networks Descripción de la propagación hacia adelante y hacia atrás Comprensión de la memoria a corto plazo (LSTM) Explorando lo recurrente Neural Networks en la práctica Explorando la convolucional Neural Networks en la práctica Mejorar la forma Neural Networks de aprender

Descripción general de las técnicas de aprendizaje profundo utilizadas en Telecom

    Redes neuronales Procesamiento del lenguaje natural Reconocimiento de imágenes Speech Recognition Análisis de sentimiento 

Exploración de casos prácticos de aprendizaje profundo para Telecom

    Optimización del enrutamiento y la calidad del servicio a través del análisis del tráfico de red en tiempo real Predicción de fallas de redes y dispositivos, interrupciones, aumentos repentinos de demanda, etc. Análisis de llamadas en tiempo real para identificar comportamientos fraudulentos Analizar el comportamiento de los clientes para identificar la demanda de nuevos productos y servicios Procesamiento de grandes volúmenes de mensajes SMS para obtener información Speech Recognition Para llamadas de soporte Configuración de SDN y redes virtualizadas en tiempo real

Comprender los beneficios del aprendizaje profundo para Telecom

Explorando las diferentes bibliotecas de aprendizaje profundo para Python

    TensorFlow Duro

Configuración de Python con el TensorFlow para el aprendizaje profundo

    Instalación de la API de Python TensorFlow Prueba de la instalación TensorFlow Configuración TensorFlow para el desarrollo Entrenamiento de su primer TensorFlow modelo de red neuronal

Configuración Python con Keras para el aprendizaje profundo

Creación de modelos simples de aprendizaje profundo con Keras

    Creación de un modelo Keras Comprensión de los datos Especificación del modelo de aprendizaje profundo Compilación del modelo Ajuste de su modelo Trabajar con los datos de clasificación Trabajar con modelos de clasificación Uso de los modelos 

Trabajar con TensorFlow para Deep Learning for Telecom

    Preparación de los datos Descarga de los datos Preparación de datos de entrenamiento Preparación de los datos de prueba Escalado de entradas Uso de marcadores de posición y variables
Especificación de la arquitectura de red
  • Uso de la función de coste
  • Uso del optimizador
  • Uso de inicializadores
  • Ajuste de la red neuronal
  • Construyendo el grafo Inferencia
  • Pérdida
  • Adiestramiento
  • Entrenamiento del modelo El gráfico
  • La sesión
  • Bucle de tren
  • Evaluación del modelo Creación del gráfico de evaluación
  • Evaluación con Eval Output
  • Modelos de entrenamiento a escala
  • Visualización y evaluación de modelos con TensorBoard 
  • Práctico: Creación de un modelo de predicción de abandono de clientes de aprendizaje profundo mediante Python
  • Ampliación de las capacidades de su empresa
  • Desarrollo de modelos en la nube Uso de GPU para acelerar el aprendizaje profundo Aplicación del aprendizaje profundo Neural Networks para la visión artificial, el reconocimiento de voz y el análisis de texto
  • Resumen y conclusión
  • Requerimientos

    • Experiencia con Python programación
    • Familiaridad general con los conceptos de telecomunicaciones
    • Familiaridad básica con la estadística y los conceptos matemáticos
    • .

    Audiencia

    • Desarrolladores
    • Científicos de datos
      28 horas
     

    Número de participantes


    Comienza

    Termina


    Las fechas están sujetas a disponibilidad y tienen lugar entre 09:30 y 16:30.
    Los cursos de formación abiertos requieren más de 5 participantes.

    Testimonios (5)

    Cursos Relacionados

    Torch: Introducción a Máquina y Aprendizaje Profundo

      21 horas

    Categorías Relacionadas