Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción al aprendizaje profundo
- ¿Qué es el aprendizaje profundo y cómo difiere del aprendizaje automático tradicional?
- Aplicaciones del mundo real en visión por computadora, PLN y más allá.
- Visión general del ecosistema de aprendizaje profundo: TensorFlow 2.x, Keras, PyTorch.
- Configuración de un entorno de desarrollo acelerado por GPU.
Los mecanismos del aprendizaje profundo
- Neuronas artificiales, funciones de activación y capas de red.
- Propagación hacia adelante y cálculo de predicciones.
- Funciones de pérdida para tareas de clasificación y regresión.
- Optimización por descenso de gradiente y retropropagación.
- Entrenamiento de tu primera red neuronal en el conjunto de datos MNIST.
Redes neuronales convolucionales para visión por computadora
- Comprensión de la convolución, filtros y mapas de características.
- Capas de agrupación (pooling) y reducción de dimensionalidad.
- Arquitecturas CNN: conceptos de LeNet, VGG y ResNet.
- Creación y entrenamiento de una CNN para clasificación de imágenes.
- Visualización de características aprendidas y activaciones intermedias.
Aumento de datos y mejora de la precisión del modelo
- Por qué el aumento de datos combate el sobreajuste y mejora la generalización.
- Transformaciones de imágenes: rotación, volteo, zoom y recorte.
- Implementación de tuberías de aumento con capas de preprocesamiento de Keras.
- Droput (dropout), normalización por lotes y otras técnicas de regularización.
- Monitoreo del entrenamiento con métricas de validación y parada temprana.
Aprendizaje por transferencia con modelos preentrenados
- Comprensión del aprendizaje por transferencia y por qué funciona.
- Carga de modelos preentrenados desde Keras Applications (ResNet, EfficientNet, MobileNet).
- Extracción de características: congelamiento de capas base y entrenamiento de nuevos clasificadores.
- Ajuste fino: desbloqueo selectivo de capas para adaptación de dominio.
- Alcanzar alta precisión con datos de entrenamiento limitados.
Redes recurrentes y modelado de secuencias
- Introducción a datos secuenciales y dependencias temporales.
- Redes neuronales recurrentes (RNN) y el problema del gradiente que desaparece.
- Celdas LSTM y GRU para dependencias de largo alcance.
- Entrenamiento de un modelo de generación de texto a nivel de caracteres.
- Incrustaciones de palabras (Word embeddings) y la capa Embedding en Keras.
Fundamentos del procesamiento del lenguaje natural
- Preprocesamiento de texto: tokenización, relleno (padding) y construcción del vocabulario.
- Creación de un clasificador de texto con RNN y LSTM.
- Conceptos de modelos secuencia-a-secuencia para traducción automática.
- Mecanismos de atención y su papel en el PLN moderno.
- PLN práctico con las API de procesamiento de texto de TensorFlow 2.x.
Proyecto final: Etiquetado de imágenes
- Combinación de visión por computadora y PLN en una arquitectura multimodal.
- Extracción de características de imágenes mediante un codificador CNN preentrenado.
- Construcción de un decodificador basado en LSTM para la generación de descripciones.
- Gestión de múltiples capas de entrada en la API funcional de Keras.
- Entrenamiento y evaluación de la tubería completa de etiquetado.
Siguientes pasos y recursos
- Despliegue de modelos entrenados con TensorFlow Serving.
- Exploración de arquitecturas de transformadores y modelos de lenguaje grandes.
- Talleres avanzados NVIDIA DLI y vías de certificación.
- Recursos comunitarios, conjuntos de datos e ideas de proyectos.
Requerimientos
- Competencia básica en programación Python (funciones, bucles, diccionarios, arrays)
- Familiaridad con conceptos de programación como variables, condicionales y estructuras de datos
- No se requiere experiencia previa en aprendizaje profundo ni aprendizaje automático
Público objetivo
- Desarrolladores e ingenieros de software que se están pasando a la inteligencia artificial y el aprendizaje automático.
- Análisis de datos y científicos de datos que buscan adquirir habilidades en aprendizaje profundo.
- Profesionales técnicos que desean comprender y aplicar modelos de redes neuronales.
- Estudiantes e investigadores que inician su trayectoria en el aprendizaje profundo.
8 Horas
Reseñas (2)
La capacitación estuvo bien organizada y planificada, y salí de ella con conocimientos sistemáticos y una buena visión de los temas que abordamos
Magdalena - Samsung Electronics Polska Sp. z o.o.
Curso - Deep Learning with TensorFlow 2
Traducción Automática
Me gustó mucho el final donde tuvimos la oportunidad de experimentar con CHAT GPT. La sala no estaba muy bien preparada para esto; en lugar de una gran mesa, varias mesas pequeñas nos habrían permitido formar grupos pequeños y generar ideas de manera más efectiva.
Nola - Laramie County Community College
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
