Temario del curso
Introducción al aprendizaje profundo
- ¿Qué es el aprendizaje profundo y en qué se diferencia del machine learning tradicional?
- Aplicaciones reales en visión por computadora, procesamiento del lenguaje natural y otros campos.
- Descripción general del ecosistema del aprendizaje profundo: TensorFlow 2.x, Keras, PyTorch.
- Configuración de un entorno de desarrollo acelerado mediante GPU.
Funcionamiento básico 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 mediante descenso de gradiente y retropropagación.
- Entrenamiento de la primera red neuronal utilizando el conjunto de datos MNIST.
Redes neuronales convolucionales para visión por computadora
- Conceptos básicos sobre convolución, filtros y mapas de características.
- Capas de agrupamiento y reducción dimensional.
- Arquitecturas típicas de CNN: LeNet, VGG y ResNet.
- Construcción y entrenamiento de una CNN para clasificación de imágenes.
- Visualización de las características aprendidas y respuestas intermedias del modelo.
Aumento de datos y mejora de la precisión del modelo
- Por qué el aumento de datos ayuda a evitar el sobreajuste y favorece una mejor generalización.
- Transformaciones comunes en imágenes: rotación, volteado, zoom y recorte.
- Implementación de procesos de aumento mediante las capas de preprocesamiento de Keras.
- Técnicas de regularización como dropout y normalización por lotes.
- Seguimiento del entrenamiento mediante métricas de validación y detención temprana.
Aprendizaje por transferencia con modelos previamente entrenados
- Explicación del concepto de aprendizaje por transferencia y sus ventajas.
- Uso de modelos predefinidos disponibles en Keras Applications: ResNet, EfficientNet y MobileNet.
- Extracción de características mediante capas base congeladas mientras se entrenan nuevos clasificadores.
- Ajuste fino del modelo: descongelación selectiva de capas para adaptarse a un dominio específico.
- Obtención de resultados óptimos incluso con volúmenes reducidos de datos de entrenamiento.
Redes neuronales recurrentes y modelado de secuencias
- Introducción a los datos secuenciales y sus dependencias temporales.
- Las redes neuronales recurrentes (RNN) y el problema del gradiente que desaparece.
- Células LSTM y GRU diseñadas para gestionar dependencias a largo plazo.
- Entrenamiento de un modelo capaz de generar texto a nivel de caracteres.
- Incorporación de palabras mediante la capa Embedding en Keras.
Fundamentos del procesamiento del lenguaje natural
- Preprocesamiento textual: tokenización, relleno de secuencias y construcción del vocabulario.
- Diseño de un clasificador de texto basado en RNN y LSTM.
- Conceptos generales sobre modelos secuencia-a-secuencia para la traducción automática.
- Mecanismos de atención y su importancia en los sistemas modernos de procesamiento del lenguaje natural.
- Aplicaciones prácticas en NLP utilizando las APIs de procesamiento textual de TensorFlow 2.x.
Proyecto final: Generación automática de descripciones para imágenes
- Integración de elementos de visión por computadora y procesamiento del lenguaje natural en un sistema multimodal.
- Extracción de características visuales mediante un codificador CNN previamente entrenado.
- Diseño de un decodificador basado en LSTM para generar descripciones textuales.
- Uso de la API funcional de Keras para gestionar múltiples capas de entrada simultáneamente.
- Entrenamiento y evaluación del sistema completo de generación de subtítulos.
Próximos pasos y recursos útiles
- Implementación de modelos ya entrenados mediante TensorFlow Serving.
- Estudio de las arquitecturas transformadoras y de los grandes modelos de lenguaje.
- Talleres avanzados y opciones de certificación ofrecidos por NVIDIA DLI.
- Recursos comunitarios, conjuntos de datos recomendados e ideas para nuevos proyectos.
Requerimientos
- Conocimientos básicos de programación en Python (funciones, bucles, diccionarios y arreglos)
- Familiaridad con conceptos generales de programación como variables, condicionales y estructuras de datos
- No se requiere experiencia previa en aprendizaje profundo ni en machine learning
Público objetivo
- Desarrolladores de software e ingenieros que desean incursionar en el ámbito de la inteligencia artificial y el aprendizaje automático.
- Analistas y científicos de datos interesados en adquirir competencias en aprendizaje profundo.
- Profesionales técnicos que deseen comprender y aplicar modelos basados en redes neuronales.
- Estudiantes e investigadores que inician su formación en el campo del 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
