Temario del curso
Introducción al aprendizaje profundo
- Qué es el aprendizaje profundo y en qué se diferencia del aprendizaje automático tradicional
- Aplicaciones en el mundo real para la visión por computador, PLN y más allá
- Visión general del ecosistema del aprendizaje profundo: TensorFlow 2.x, Keras, PyTorch
- Configuración de un entorno de desarrollo con aceleración por GPU
Los mecanismos del aprendizaje profundo
- Neuronas artificiales, funciones de activación y capas de red
- Propagación hacia adelante y cálculo de predicciones
- Funciones de pérdida para tareas de clasificación y regresión
- Optimización por descenso de gradiente y retropropagación
- Entrenamiento de su primera red neuronal en el conjunto de datos MNIST
Redes neuronales convolucionales para la visión por computador
- Comprensión de la convolución, los filtros y los mapas de características
- Capas de agrupación (pooling) y reducción de dimensionalidad
- Arquitecturas CNN: conceptos de LeNet, VGG y ResNet
- Construcción y entrenamiento de una CNN para la clasificación de imágenes
- Visualización de características aprendidas y activaciones intermedias
Aumento de datos y mejora de la precisión del modelo
- Por qué el aumento de datos combate el sobreajuste y mejora la generalización
- Transformaciones de imágenes: rotación, volteo, zoom y recorte
- Implementación de tuberías de aumento con las capas de preprocesamiento de Keras
- Dropout, normalización por lotes y otras técnicas de regularización
- Supervisión del entrenamiento con métricas de validación y parada anticipada
Aprendizaje por transferencia con modelos preentrenados
- Comprensión del aprendizaje por transferencia y por qué funciona
- Carga de modelos preentrenados desde Keras Applications (ResNet, EfficientNet, MobileNet)
- Extracción de características: congelación de las capas base y entrenamiento de nuevos clasificadores
- Ajuste fino: descongelación selectiva de capas para la adaptación al dominio
- Alcanzar alta precisión con datos de entrenamiento limitados
Redes recurrentes y modelado de secuencias
- Introducción a los datos secuenciales y las dependencias temporales
- Redes neuronales recurrentes (RNN) y el problema del gradiente que se desvanece
- Celdas LSTM y GRU para dependencias a largo plazo
- Entrenamiento de un modelo de generación de texto a nivel de carácter
- Embeddings de palabras y la capa Embedding en Keras
Fundamentos del procesamiento del lenguaje natural
- Preprocesamiento de texto: tokenización, relleno (padding) y construcción del vocabulario
- Construcción de un clasificador de texto con RNN y LSTMs
- Modelos secuencia-a-secuencia para conceptos de traducción automática
- Mecanismos de atención y su papel en el PLN moderno
- PLN práctico con las APIs de procesamiento de texto de TensorFlow 2.x
Proyecto final: Descripción de imágenes
- Combinación de visión por computador y PLN en una arquitectura multimodal
- Extracción de características de imágenes con un codificador CNN preentrenado
- Construcción de un decodificador basado en LSTM para la generación de descripciones
- Gestión de múltiples capas de entrada en la API funcional de Keras
- Entrenamiento y evaluación de la tubería completa de generación de descripciones
Siguientes pasos y recursos
- Implementación de modelos entrenados con TensorFlow Serving
- Exploración de arquitecturas de transformadores y modelos de lenguaje grandes
- Talleres avanzados NVIDIA DLI y rutas de certificación
- Recursos comunitarios, conjuntos de datos e ideas de proyectos
Requerimientos
- Competencia básica en programación Python (funciones, bucles, diccionarios, matrices)
- Conocimiento de conceptos de programación como variables, condicionales y estructuras de datos
- No se requiere experiencia previa en aprendizaje profundo o aprendizaje automático
Público objetivo
- Desarrolladores e ingenieros de software que transicionan hacia la inteligencia artificial y el aprendizaje automático
- Analistas de datos y científicos de datos que buscan adquirir habilidades en aprendizaje profundo
- Profesionales técnicos que desean comprender e implementar modelos de redes neuronales
- Estudiantes e investigadores que comienzan su trayectoria en el aprendizaje profundo
Formación Corporativa a Medida
Soluciones de formación diseñadas exclusivamente para empresas.
- Contenido personalizado: Adaptamos el temario y los ejercicios prácticos a los objetivos y necesidades reales del proyecto.
- Calendario flexible: Fechas y horarios adaptados a la agenda de su equipo.
- Modalidad: Online (en directo), In-company (en sus oficinas) o Híbrida.
Precio por grupo privado (formación online) desde 2900 € + IVA*
Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales
Reseñas (2)
La capacitación estuvo bien organizada y planificada, y salí de ella con conocimientos sistemáticos y una buena visión de los temas que abordamos
Magdalena - Samsung Electronics Polska Sp. z o.o.
Curso - Deep Learning with TensorFlow 2
Traducción Automática
Me gustó mucho el final donde tuvimos la oportunidad de experimentar con CHAT GPT. La sala no estaba muy bien preparada para esto; en lugar de una gran mesa, varias mesas pequeñas nos habrían permitido formar grupos pequeños y generar ideas de manera más efectiva.
Nola - Laramie County Community College
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
