El Deep Learning o aprendizaje profundo es un conjunto de algoritmos que de forma automática que intenta modelar abstracciones de alto nivel en datos para posicion para posicionarse de la mano del Big Data como un elemento central en la estrategia de innovación de las principales empresas del sector.
En este curso se introducirán primero los conceptos generales necesarios sobre reconocimiento de patrones, redes neuronales, aprendizaje supervisado, etc. Permiten entender el funcionamiento y la utilidad de los sistemas de reconocimiento y predicción de patrones basados en aprendizaje profundo.
Objetivos:
- Dar una visión sobre la historia del Deep Learning.
- Identificar las diferencias entre Machine Learnig y Deep Learning
- Comprender y conocer los distintos tipos de Aprendizaje profundo.
- Comprender que es una Red Neuronal.
- Conocer los diferentes tipos de Redes neuronales
- Aprender las características básicas de las principales librerías de Deep Learnig
- Practicar con los diferentes entornos de desarrollo para Deep Learning
- Crear nuestra primera red neuronal con TensorFlow con un ejemplo comentado
- Conocer donde se aplica actualmente el Deep Learnig y sus aplicaciones futuras.
Temario
¿Qué es el Deep Learning?
Machine Learning vs Deep Learning.
Breve reseña histórica del Deep Learning.
Tipos de Aprendizaje en Deep Learning.
- Supervisado
- No Supervisado
- Aprendizaje por refuerzo.
Las Redes Neuronales en Deep Learning.
- Definición de Red Neuronal
- Clasificación de las Redes Neuronales
Tipos de Redes Neuronales en Deep Learning.
- Feed-forward neural networks.
- Recurrent neural networks (RNNs).
- Convolutional neural networks (CNN).
Principales librerías de Deep Learning.
- TensorFlow.
- Keras.
- Pytorch.
Entornos de Desarrollo y lenguajes para Deep Learning
Instalación del entorno necesario para Deep Learnig.
Ejemplo de una red Neuronal.
Construcción de una sencilla red neuronal con TensorFlow.
Aplicaciones actuales del Deep Learning.
- Financieras.
- Recursos Humanos.
- Marketing.
- Otras…
