Deep Learning: Redes Neuronales con TensorFlow 2

1.1          ¿Qué es Machine Learning y Deep Learning?

1.2          Instalación de entorno Python y librerías Deep Learning

1.3          Aprendizaje supervisado

1.4          ¿Qué es el overfitting / underfitting en el aprendizaje supervisado?

1.5          Evaluación de rendimiento de modelos – Métricas de Clasificación

1.6          Evaluación de rendimiento de modelos – Métricas de Regresión

1.7          Aprendizaje no supervisado

2.1          ¿Qué es una neurona y el modelo perceptrón?

2.2          ¿Qué son las redes neuronales?

2.3          Funciones de activación

2.4          Funciones de activación en modelos multiclase

2.5          Funciones de Coste y de Gradiente Descendente

2.6          Propagación hacia atrás (backpropagation)

2.7          Claves para crear redes neuronales efectivas

2.8          ¿Qué nos proporciona Tensorflow y Keras?

2.9          Regresión con Keras – Presentación caso práctico

2.10       Regresión con Keras – Importación de librerías y fuentes

2.11       Regresión con Keras – Análisis de datos (EDA) + Preprocesado (I)

2.12       Regresión con Keras – Análisis de datos (EDA) + Preprocesado (II)

2.13       Regresión con Keras – División Train / Test

2.14       Regresión con Keras – Escalado

2.15       Regresión con Keras – Creación de modelo

2.16       Regresión con Keras – Entrenamiento del modelo

2.17       Regresión con Keras – Evaluación y Predicción

2.18       Clasificación binaria con Keras – Presentación caso práctico

2.19       Clasificación binaria con Keras – Importación de librerías y fuentes

2.20       Clasificación binaria con Keras – Análisis de datos (EDA) + Preprocesado

2.21       Clasificación binaria con Keras – División Train / Test

2.22       Clasificación binaria con Keras – Escalado

2.23       Clasificación binaria con Keras – Creación de modelo

2.24       Clasificación binaria con Keras – Entrenamiento del modelo

2.25       Clasificación binaria con Keras – Evaluación y Predicción

2.26       Clasificación multiclase con Keras – Presentación caso práctico

2.27       Clasificación multiclase con Keras – Importación de librerías y fuentes

2.28       Clasificación multiclase con Keras – Análisis de datos (EDA) + Preprocesado (I)

2.29       Clasificación multiclase con Keras – Análisis de datos (EDA) + Preprocesado (II)

2.30       Clasificación multiclase con Keras – División Train / Test

2.31       Clasificación multiclase con Keras – Escalado

2.32       Clasificación multiclase con Keras – Creación de modelo

2.33       Clasificación multiclase con Keras – Entrenamiento del modelo

2.34       Clasificación multiclase con Keras – Evaluación y Predicción

2.35       Clasificación multiclase con Keras – Monitorización con Tensorboard

3.1          Introducción a las redes neuronales convolucionales (CNN)

3.2          ¿Qué son los filtros de imagen y los kernels?

3.3          Capas convolucionales en una CNN

3.4          Capas pooling en una CNN

3.5          Clasificación imágenes Blanco y Negro – Presentación caso práctico

3.6          Clasificación imágenes Blanco y Negro – Importación de librerías y fuentes

3.7          Clasificación imágenes Blanco y Negro – Preprocesado

3.8          Clasificación imágenes Blanco y Negro – Creación del modelo

3.9          Clasificación imágenes Blanco y Negro – Entrenamiento del modelo

3.10       Clasificación imágenes Blanco y Negro – Evaluación y Predicción

3.11       Clasificación imágenes RGB – Presentación caso práctico

3.12       Clasificación imágenes RGB – Importación de librerías y fuentes

3.13       Clasificación imágenes RGB – Preprocesado

3.14       Clasificación imágenes RGB – Creación del modelo

3.15       Clasificación imágenes RGB – Entrenamiento del modelo

3.16       Clasificación imágenes RGB – Evaluación y Predicción

4.1          Introducción a las redes neuronales recurrentes (RNN)

4.2          Neuronas LSTM

4.3          Creación de batches en RNN

4.4          Forecast RNN – Presentación caso práctico

4.5          Forecast RNN – Importación de librerías y fuentes

4.6          Forecast RNN – Preprocesado

4.7          Forecast RNN – División Train / Test

4.8          Forecast RNN – Escalado

4.9          Forecast RNN – Creación Generador Serie Temporal

4.10       Forecast RNN – Creación del modelo

4.11       Forecast RNN – Entrenamiento del modelo

4.12       Forecast RNN – Evaluación y Predicción

5.1          Introducción a las redes neuronales en aprendizaje no supervisado

5.2          ¿Qué son los autoencoders en una red neuronal?

5.3          NN No Supervisado – Presentación caso práctico

5.4          NN No Supervisado – Importación de librerías y fuentes

5.5          NN No Supervisado – Preprocesado

5.6          NN No Supervisado – Escalado

5.7          NN No Supervisado – Estimación número de clusters

5.8          NN No Supervisado – Creación del modelo

5.9          NN No Supervisado – Entrenamiento del modelo

5.10       NN No Supervisado – Evaluación y Predicción de clusters