Curso de Deep Learning con Keras/Tensorflow en Python

Es posible que a día de hoy muchos de vosotros hallais escuchado un monton de palabras en ingles del mundo empresarial o académico, entre las cuales estaban Deep Learning o Machine Learning. ¿Son estos conceptos humo?, pues bien, debeis saber que muy lejos de la verdad el machine learning y una de sus especializaciones, el Deep Learning son disciplinas muy utilizadas hoy en día por las cuales en grandes empresas como Indra, GMV, Accenture…y otras llegan a pagar hasta 50000-60000 euros anuales. ¿Pero para que sirven y porque están tan bien pagadas no?.

En este curso vamos a partir de cero para entender paso a paso como ;funciona el Deep Learning, como se puede aplicar el mismo y que fundamentos matemáticos se esconden detrás de esta disciplina. Pero todos sabemos lo duras y engorrosas que se pueden llegar a hacer las explicaciones teóricas con tanto fundamento matemático. Por lo cual este curso va a tratar de abordar muchos y muy diferentes casos prácticos de problemas reales, en algunos de empresas, o investigación afrontados por mi mismo, a través de los cuáles introduciremos la teoría del Deep Learning de forma mucho más amena y amigable.

¿Cual es la ventaja de este curso frente a otros similares? Vamos a tratar el Deep Learning desde un nivel de aprendiz hasta el nivel Experto de cualquier científico de Datos hoy en día. Los Pros de este enfoque es que al acabar este curso sabreis desenvolveros y afrontar problemas con Deep Learning, pero también requerirá un mayor esfuerzo ya que no es sencillo pasar de 0 a 100.

¿Como se va a organizar el curso?:
;-Lección 1: Introducción al Deep Learning:

; ;- Introducción

; ;- Presentación del profesor;

; ;- ¿Quien puede hacerlo?

; ;- ¿Que se necesita?

; ;- ¿Tiene salidas y se usa en la empresa?

; ;- ¿Necesitas muchos conocimientos para aplicarlo?

; ;- ¿Como vamos a proceder a enseñarlo?).

-Lección 2: Instrumentación e instalacion:

; -¿Que software necesitamos?(Cuda, Python, Keras, Anaconda..etc)

; -¿Como instalar todo en Linux?, ¿Como instalar todo en Windows?

; – ¿Como usar Google Collabolatory si no tenemos GPU o no queremos instalar nada?.

; – Primer Caso práctico de prueba con Deep Learning y la base de datos MNIST

-Lección 3: Redes Neuronales Clásicas:

; – Introducción a ;las redes neuronales clásicas

; -¿Como funcionan?, ¿Que es una neurona?

; -Estructura de las mismas

; -Tipos de problemas a enfrentar

; -Explicaciones de tipos de capas, activaciones, optimizadores y callbacks principales

; -Análisis de primer caso práctico linea por linea en Keras

; -¿Porque dejaron de usarse en algunos casos?

-Lección 4: Redes Neuronales Convolucionales

; ;-Bloque 4.1:Fundamentos e inicio a las Redes Neuronales Convolucionales

; ; -Introducción a las redes neuronales Convolucionales

; ; -¿Que son y como funcionan?

; ; -Estructura y capas más utilizadas en las mismas

; ; -Uso de la API de Keras en lugar del modelo Sequential

; ; -Análisis y resolución de 3 casos prácticos paso por paso con las bases de datos MNIST, CIFAR10 y CIFAR100 en Keras

; ;-Bloque 4.2: Principales Problemas planteados en el Deep Learning

; ; -Clasificación Binaria: Análisis del problema, explicación y resolución de un caso práctico en Keras

; ; -Clasificación Multiclase: Análisis del problema, explicación y resolución de un caso práctico en Keras

; ; -Regresión: Análisis del problema, explicación y resolución de un caso práctico en Keras

; ;-Bloque 4.3: Arquitecturas más famosas en el Deep Learning y Explicación de las mismas

; ;-VGG16

; ;-Inception V3

; ;-Resnet

; ;-Inception V4

; ;-Inception-Resnet

; ;-Xception

; ;- Benchmark de las redes previamente explicadas en un ejemplo práctico de python en Keras

; ;-¿Que es el Fine Tuning y el Transfer Learning?

; ;- Uso de Fine Tuning y Transfer Learning en un ejemplo práctico de python en Keras

-Leccion 5: Las Redes Recurrentes

; -Introducción a las redes neuronales Recurrentes

; -¿Que son y como funcionan?

; -Redes Recurrentes más conocidas(LSTM y GRU)

; -Estructura y capas más utilizadas en las mismas

; – Análisis y resolución de 2 casos prácticos LSTM Convolucionales y LSTM en Series Temporales

; – Las Redes Recurrentes en el procesado de texto + ejemplo práctico de su uso sobre la detección de texto tóxico

;Por último a medida que avance el tiempo se irá añadiendo más contenido como el de las redes adversarias, redes para audio o para video….

La portada ha sido diseñada usando imágenes de Freepik.

Musica de fondo: Depart (cdk mix) by Analog By Nature (c) copyright 2015 Licensed under a Creative Commons Attribution license. Ft: Tekno Eddy
;;