• 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