• No se han encontrado resultados

DEEP LEARNING CON PYTHON

N/A
N/A
Protected

Academic year: 2022

Share "DEEP LEARNING CON PYTHON"

Copied!
7
0
0

Texto completo

(1)

#AprendeDesdeCasa

#AprendeConLosPioneros

B R O C H U R E 2 0 2 2

DEEP LEARNING

CON PYTHON

(2)

DEEP LEARNING C ON PYTHON / PRESENT A CIÓN

PRESENTACIÓN

El deep learning es un tipo de machine learning que entrena a una computadora para que realice tareas como las hacemos los seres humanos, como el reconocimiento del habla, la identificación de imágenes o hacer predicciones.

En lugar de organizar datos para que se ejecuten a través de ecuaciones predefinidas, el deep learning configura parámetros básicos acerca de los datos y entrena a la computadora para que aprenda por cuenta propia reconociendo patrones mediante el uso de muchas capas de procesamiento.

En este contexto, el curso Deep Learning con Python, nos ayudara a aplicar diversas técnicas y algoritmos para poder manejar y analizar grandes y diversos conjuntos de datos.

Duración: 16 horas cronológicas (21 horas académicas)

Pre-requisitos:

- Conocimientos a nivel intermedio de creación de

modelos analíticos y Machine Learning en Python.

(3)

DEEP LEARNING C ON PYTHON / OB JETIV OS

Aprender a desarrollar modelos analíticos basados en redes neuronales utilizando Python, para poder resolver problemas de negocio, entendiendo la importancia del entrenamiento intenso de los modelos.

OBJETIVO GENERAL

OBJETIVOS ESPECÍFICOS

• Aprender los principales conceptos alrededor de la IA, así como la evolución de algoritmos de Deep Learning y el entendimiento del aprendizaje en redes neuronales.

• Construir una red neuronal artificial.

• Aprender los principales conceptos y tipologías de capas de la arquitectura de CNN.

• Aprender y entender los procesos con dependencia temporal y el uso de RNN. Entender su funcionamiento, entrenamiento, configuración y validación.

• Aprender sobre tópicos adicionales utilizando Python.

(4)

CARACTERÍSTICAS

NPS 73%

NUESTROS ALUMNOS NOS RECOMIENDAN

Clases en Vivo

El 100% de las clases que se desarrollan en el curso son en vivo.

Aprende haciendo

Desarrolla casos con datos reales, incluso puedes

proponer casos de tu propio sector.

Asesoría Académica

Resuelve tus dudas con el docente o asistente en línea.

Certificación

Con una nota mínima de

14 sobre 20 y una asistencia mínima del 80%

Plataforma E-Learning

Accede en cualquier momento a materiales

complementarios: lecturas, videos, tutoriales, clases grabadas y más.

Soporte técnico

Asistencia técnica

permanente y acceso a máquinas virtuales de ser necesario.

DEEP LEARNING C ON PYTHON / CARA CTERÍS TICAS

(5)

SYLLABUS

DEEP LEARNING C ON PYTHON / S YLLABUS

• ¿Qué es IA? ¿Big Data? ¿Machine Learning? ¿Deep Learning?

• Evolución histórica de las arquitecturas de IA.

• ¿Por qué Deep Learning? Aplicaciones y usos en las industrias.

• Frameworks de trabajo en Deep Learning, Keras y Tensor Flow.

• Sistemas Biológicos: La Neurona, sinapsis entre neuronas.

• La neurona artificial, función de activación y de costo.

• BackPropagation. Optimización de parámetros.

• El aprendizaje en arquitecturas de Redes Neuronales.

INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL & DEEP LEARNING

I

• Construcción de una red neuronal artificial. Entendimiento de parámetros y arquitectura.

• Ajuste o entrenamiento en redes neuronales artificiales.

• Evaluación y mejora en el aprendizaje de redes neuronales artificiales.

• Métodos de búsqueda de los mejores parámetros:

RandomGridSearch y GridSearch.

ENTRENAMIENTO DE REDES NEURONALES

II

• CNN: Redes neuronales convolucionales.

• Operaciones de convolución. Convolución y Relu.

• Capa de Reducción o pooling.

• Flatenning o vectorización de salidas.

• Ajuste o entrenamiento en redes neuronales convolucionales.

REDES NEURONALES CONVOLUCIONALES

III

• RNN: Redes neuronales recurrentes.

• Procesos no markovianos o dependencia temporal.

• Que es el vanishing gradient.

• Arquitecturas de memoria recurrente.

• LSTM.

REDES NEURONALES RECURRENTES

IV

• Introducción a la minería de texto.

• Introducción al análisis de grafos.

• Técnicas bayesianas: Clasificador Naïve Bayes.

• Introducción al análisis de series de tiempo.

INTRODUCCIÓN A TÓPICOS ADICIONALES CON PYTHON

V

(6)

Email: [email protected] Web: www.dmc.pe

Oficina Principal: Calle Río de la Plata 167 Of. 203 San Isidro, Lima-Perú

•El participante podrá obtener un certificado a nombre de DMC PERÚ, una vez aprobado con la nota mínima establecida y asistir a clases con el mínimo de horas requeridas.

•Una vez cumplidos los requerimientos el certificado será emitido de forma virtual.

CONTÁCTANOS

CERTIFÍCATE CON NOSOTROS

DEEP LEARNING C ON PYTHON / CER TIFÍCA TE

CERTIFICADO

NOMBRE NOMBRE APELLIDO APELLIDO

S E O T O R G A A

Por haber aprobado el curso

CLASES EN VIVO

DEEP LEARNING CON PYTHON

Marzo del 2022

Realizado del 00 de enero al 00 de mar zo, completando un total de 21 horas académicas

DRIVENDATA

MBA Joel Lapa B.

GERENTE GENERAL

Janet Chambi C.

DIRECTORA ACADÉMICA

(7)

DEEP LEARNING C ON PYTHON / S OBRE NOS O TR OS Formando grandes líderes y transformando empresas mediante la analítica de datos

Expertos +35

en Analítica

Capacitaciones +25

Especializadas

Big Data +5

Analytics Summit

+12 Años de

Experiencia

+10K Profesionales Capacitados

+100 Empresas Asesoradas

SOBRE NOSOTROS

Referencias

Documento similar

Este Trabajo de Fin de Máster tiene como objetivo el estudio y mejora de los sistemas de seguimiento (trackers) basados en redes neuronales siamesas frente a

Conocer las herramientas de programación Fenics y Python para la programación de elementos finitos y resolución de problemas sencillos de optimización con restricciones dadas

En la actualidad, la inducción de árboles de decisión, redes neuronales, algoritmos genéticos, multiclasificadores y otras técnicas de aprendizaje automático se están utilizando

En esta tesis se estudiarán las codificaciones, técnicas de preprocesamiento de datos y modelos de redes neuronales aplicables a la clasificación de series temporales

3.- ViolentFlows (Figura 3-12) es una base de datos de secuencias de vídeo del mundo real sobre violencia colectiva, junto con protocolos de referencia estándar diseñados

En Redes Neuronales, se utilizó todos los datos (101 exportaciones), para la obtención del mejor modelo se empleó la opción de Redes Neuronales > perceptrón multicapa, en la

Además, los parámetros de soldadura (corriente de soldadura, voltaje, caudal de gas y entrada de calor) se registran simultáneamente con AE. Se crean artificialmente diferentes

159 Diseña un programa que lea una cadena y un número entero k y nos diga si alguna de sus palabras tiene una longitud de k caracteres.. 160 Diseña un programa que lea una cadena y