Deep Learning

Level:

Intermediate

Duration:

5 days

Fechas

Bajo demanda pueden llevarse a cabo capacitaciones y workshops a demanda en donde se disponga – cualquier parte del mundo. Contacto >>

 

REGISTRESE AL CURSO

Descripción

El curso de Deep Learning está dirigido hacia desarrolladores que están considerando hacer una transición hacia la ciencia de datos y hacia analistas técnicos que deseen hacer sus primeros pasos en técnicas avanzadas de Machine Learning.

La dinámica del curso contempla explicaciones teóricas y actividades prácticas, donde los participantes implementan los nuevos conocimientos. El objetivo principal del curso es que los concurrentes comprendan y se familiaricen con los conceptos de Deep Learning, enfrentándose a desafíos con la ayuda del instructor.

 

Audiencia

Analistas y desarrolladores con al menos 1 año de experiencia en programación (idealmente Python) y con conocimiento intermedio de estadística y análisis matemático.

Programa

Día 1

Introducción al curso:

  • Presentación
  • Temario
  • Dinámica del curso

Qué es el Deep Learning?

  • Introducción y principales conceptos
  • History recap
  • Machine Learning vs Deep Learning
  • Aplicaciones

Compromiso entre sesgo y varianza

  • Subajuste
  • Sobreajuste

Resumen de las librerías de Python

  • Numpy
  • Pandas
  • TensorFlow + Keras
  • Pytorch

Acerca Python/Jupyter

  • Como correr scripts online
  • Google Colab
  • GPU vs CPU

Perceptrones y Redes de una sola capa: Theory

  • Perceptrón
  • Input multidimensional
  • Parámetros de la red en notación matricial

Perceptrones y redes de una sola capa: Práctica

  • Problema de Clasificación

Día 2

Redes Neuronales Artificiales (ANN)

  • Cómo conectar perceptrones
  • Arquitecturas de la redes
  • Progagación hacia adelante
  • Normalización entre capas

Gradient Descent y Backpropagation

  • Función de pérdida
  • SGD vs ADAM
  • Dropout y Early Stopping para regular parámetros

Aprovechamiento y aumento de los datos

  • Rotaciones
  • Traslaciones
  • Ruido

Reden Neuronales Convolucionales: Teoría

  • Operador convolución

Reden Neuronales Convolucionales: Práctica

  • Reconocimiento de números manuscritos

Día 3

Aprendizaje por Refuerzo

  • Supervisado, no supervisado y por refuerzo
  • Agentes, ambiente, estado, acciones, premio
  • Restricciones de modelado
  • Cadenas de Markov
  • Case de estudio: Problema del viajante de comercio

Redes neuronales en aprendizaje por refuerzo

  • Policy Learning
  • Q-learning
  • Exploración vs Exploración

Deep Q-Learning: Teoría

Deep Q-Learning: Práctica

 

Día 4

Procesamiento de Lenguaje Natural

  • Casos de uso
  • Lematización
  • Tokenisation

Manejo de grandes redes neuronales

  • Tasa de aprendizaje
  • Batch Size
  • Gradient checkpoint

Análisis de sentimiento

  • Caso de estudio

Generación de Text: Teoría

  • Transformers

Text Generation: Praxis

  • Entrenamiento y uso de GPT-2

 

Día 5

Redes Neuronales Recurrentes (RNN)

  • Estructura de la red
  • Data secuencial
  • Series temporales
  • Problema de Desvanecimiento / explosión del gradiente

Long Short Term Memory

  • Estados escondidos
  • Funcionamiento de las compuertas

Cierre de curso: Preguntas y Sugerencias

 

 

REGISTRESE AL CURSO