Aplicar las técnicas del aprendizaje automático a una red neuronal de ejemplo implementada con Python y los módulos específicos necesarios.
Desarrollar una red neuronal que interprete un conjunto de datos
• Aprendizaje automático y Python
- Introducción a Python
- Módulos de interés: numpy, scipy, networkx y matplotlib
• Introducción al aprendizaje automático
- Definición e historia
- Datos de disponibilidad pública y competiciones de clasificación en la plataforma Kaggle
- Conjunto de datos MNIST (ejemplos de escritura manuscrita)
- Aplicación del aprendizaje automático a sistemas de recomendación, modelos estadísticos y de regresión
- Tipos de aprendizaje
- Relación con el Big Data
• Módulos específicos para Python de aprendizaje automático: TensorFlow, scikit-learn, Theano y Kera
• Ejemplo de red neuronal
- Elaboración de una red neuronal feed-forward en TensorFlow para la identificación de cifras manuscritas (datos MNIST)
- Fase de entrenamiento de la red
- Fase de prueba
- Comprobación de los resultados
• Proyecto final I
- Análisis de las necesidades del cliente
Módulo de Formación 2 Redes neuronales
• Redes neuronales
- Definición, origen e historia (el perceptrón de Rosenblatt, el perceptrón multicapa, el Deep Learning)
- Las neuronas y sus funciones
- El concepto fundamental de retro-propagación
- Fase de entrenamiento y fase de prueba
- Validación
- Aplicaciones: clasificación, reconocimiento de pautas y de imágenes,
- Tipos de redes: feed-forward, recurrentes, convolucionales
• Tipo de aprendizaje: supervisado, no supervisado y por refuerzo
• Implementación de redes neuronales en TensorFlow
• Conceptos avanzados
- Redes adversariales generativas o GAN
- Redes neuronales con memoria (máquinas de Turing neuronales)
• Proyecto final II
- Juego de pruebas
- Implementación del proyecto
- Documentación del proyecto
- Presentación del proyecto