170HORAS |
Diseñado y producido por Smartmind
Contenidos
Objetivo. Aplicar las técnicas del aprendizaje automático a una red neuronal de ejemplo implementada con Python y los módulos específicos necesarios. CONOCIMIENTOS / CAPACIDADES COGNITIVAS Y PRÁCTICAS
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
Objetivo. Desarrollar una red neuronal que interprete un conjunto de datos CONOCIMIENTOS / CAPACIDADES COGNITIVAS Y PRÁCTICAS
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
