Big data & IA
CNN, GAN y otras redes neuronales
En este Curso en CNN, GAN y otras redes neuronales vamos a ver un tipo de red neuronal usada en Deep Learning muy popular y que muchas de las empresas están aplicando en su organización, no solo para dar un servicio a clientes sino también usadas en procesos internos. Estas redes son las redes neuronales convolucionales.
Las redes neuronales convolucionales son especialmente utilizadas en visión artificial, donde se trabaja con imágenes para realizar análisis predictivos. Además, veremos dos de las técnicas más utilizadas hoy en día en Deep Learning y que aprovecha modelos ya entrenados (modelos pre-entrenados) para ser utilizados en otros problemas distintos, estás técnicas son conocidas como transfer learning y fine tuning.
Este curso forma parte del Master en Data Science y Big Data. Si quieres ampliar tu formación, consulta el programa completo.
Este curso forma parte del Máster en Data Science y Big Data.
Si quieres ampliar tu formación, consulta el programa completo.
Máster en Data Science y Big Data
a quién va dirigido
El Curso en CNN, GAN y otras redes neuronales proporciona formación específicamente orientada a los siguientes perfiles:
- Ingenieros que tengan por objetivo una actualización de sus conocimientos y el desarrollo de nuevas competencias dentro de la Inteligencia Artificial
- Programadores que tengan por objetivo ampliar sus conocimientos y capacidades en el mundo de la ciencia de datos para su desarrollo profesional
- Analistas de datos con experiencia que quieran dar el salto a los aspectos más profundos de la tecnología
QUÉ APRENDERÁS
Al finalizar el Curso en CNN, GAN y otras redes neuronales serás perfectamente capaz de:
- Saber resolver problemas complejos de visión artificial con herramientas de Deep Learning, mediante la construcción de redes neuronales convolucionales.
- Saber aplicar técnicas avanzadas de Deep Learning para la resolución de problemas complejos.
PLAN DE ESTUDIOS
Resumen
En esta clase veremos todos los tipos de redes de Deep Learning que existen en la actualidad, y veremos en qué sectores se suelen aplicar y para qué, dándonos una visión más global del gran abanico de problemas que podemos llegar a resolver con Deep Learning.
Además, veremos en mayor profundidad uno de los tipos de red que más se han estandarizado y se usan hoy en día: las redes convolucionales. Después de ver los conceptos básicos de estas redes crearemos nuestras propias redes convolucionales con TensorFlow. Utilizaremos varios tutoriales prácticos donde abordaremos varios problemas para ver los conceptos básicos y los elementos fundamentales para entrenar este tipo de redes.
Objetivos
- Conoceremos las distintas redes de Deep Learning que existen y en qué ámbitos se aplican.
- Visualizaremos el alcance de los problemas que podemos llegar a resolver con Deep Learning.
- Aprenderemos cómo funcionan las redes convolucionales.
- Crearemos nuestra primera red convolucional con TensorFlow.
Temario
- Tipos de redes
- Introducción y Redes CNN
- Redes GAN, RNN y DRL
- Redes Convolucionales
- Convolución
- CNN Arquitectura
- Pooling
- ANN vs. CNN
- CNNs con TensorFlow
- Parte I
- Parte II
- Parte III
- Cierre
- Conclusiones
Resumen
En esta clase vamos a ver una de las técnicas más utilizadas cuando queremos abordar problemas con datos de tipo imagen. Estas técnicas avanzadas son transfer learning y fine-tuning. Veremos qué son estas dos técnicas y veremos cómo aplicarlas con Tensorflow para poder utilizarlas en cualquier problema que queramos abordar.
Además, también veremos cómo abordar y tratar cualquier dataset de imágenes que queramos, sin necesidad de que las imágenes tengan el mismo tamaño.
Objetivos
- Conocer qué son los modelos pre-entrenado y para qué se utilizan.
- Aprender técnicas avanzadas para el uso de modelo pre-entreandos: transfer learning y fine-tuning.
- Aplicar las técnicas de transfer learning y fine-tuning con TensorFlow.
Temario
- Modelos Pre-entrenados
- Evolución de las redes convolucionales - Parte I
- Evolución de las redes convolucionales - Parte II
- Transfer Learning (extracción de características)
- Fine-tuning
- Transfer Learning & Fine-Tuning en TensorFlow
- Parte I
- Parte II
- Parte III
- Parte IV
- Parte V
- Cierre
- Conclusiones
Resumen
Esta clase no será tan práctica como las anteriores y veremos más conceptos que debéis de conocer. Además, también os servirá para afianzar conceptos de clases anteriores y practicar más con Tensorflow.
En esta clase vamos a ver cómo podríamos coger un modelo de Deep Learning y ponerlo en producción para al fin y al cabo sacarle valor, ya que es el objetivo final de entrenar modelos de Deep Learning.
Veréis que no es un proceso fácil y veremos cómo las empresas lo están llevando a cabo, cómo dirigen un proyecto basado en Deep Learning.
Objetivos
- Conocer el ciclo de vida de los modelos de Deep Learning (Machine Learning).
- Conocer qué alternativas hay a utilizar modelo entrenador por nosotros mismos (Servicio Cognitivos).
- Aprender cómo se debería llevar a cabo un proyecto basado en Deep Learning.
Temario
- Productivización de modelo
- Introducción
- Productivización de modelo de machine learning - Parte I
- Productivización de modelo de machine learning - Parte II
- Proyectos de machine learning en la actualidad
- Ciclo de desarrollo en inteligencia artificial - Parte I
- Ciclo de desarrollo en inteligencia artificial - Parte II
- Servicios cognitivos
- Inteligencia artificial como servicio
- Cómo usar modelos en mi organización y MLOps
- Cierre
- ¿Qué esperar del futuro? y Conclusiones
profesorado
aprende con los mejores expertos
OPINIONES del Curso en CNN, GAN y otras redes neuronales
Orlando Hernández Jiménez
Consultant, Data Scientist and Trainer in BI, ECM, BigData, ML & Blockchain
Todos los objetivos claros en combinación con dedicación y esfuerzo, darán un extraordinario y satisfactorio resultado. Así que a seguir con los siguientes objetivos #iebs.
Arantxa Martínez Capitán
Técnico BPO en Integra HCM
En el Postgrado en Business Intelligence & BD he trabajado con herramientas como Alteryx, RapidMiner, MySQL y Microsoft Power BI. Con ellas he ido encajando piezas hasta crear el puzle completo mediante el desarrollo de casos prácticos reales.
Juan Manuel Hernández Espinosa
Senior Petroleum Economist & Data Scientist
¡He disfrutado mucho este viaje! Un logro más, ahora es el momento de aplicar todos los aprendizajes y aprovecharlos en todos los aspectos profesionales!, Gracias IEBS Business School.
Roberto Esteves
Gerente General en Masapp
Solamente pasaba para compartirles un pequeño éxito, haber terminado el postgrado en el IEBS Business School en "Data Science y Machine Learning", esto me sirve para poder seguir dando mejores capacitaciones.
resumen
del Curso en CNN, GAN y otras redes neuronales
DURACIÓN
1 mes (40 horas)
INICIO
27 Noviembre
Modalidad
Online - Accesible 24/7
precio
510 U$S
incluye
Diploma IEBS y bolsa de empleo
valoración
4.9/5 de valoración por los alumnos
No enseñamos el futuro. Te ayudamos a crearlo.
FORMACIÓN RELACIONADA
Curso en Transformación digital: Inteligencia Artificial Generativa (genAI) y cloud computing
Curso en Estrategia Digital: Cómo lograr ventajas diferenciales con tecnología digital
Curso en IA Aplicada a Social Media
Curso en Aprende a desarrollar narrativas con ChatGPT
Curso en IA aplicada al Customer experience
Curso en Revolución Visual: crea productos Audiovisuales con IA Generativa y Runway