En este curso aprenderás

  • Todos los fundamentos de las cuatro principales arquitecturas del Deep Learning usadas en la actualidad: las Redes Neuronales, Convolucionales, Recurrentes y LSTM y las Redes Transformer

  • Los elementos básicos del lenguaje de programación Python y de librerías específicas como Numpy, Matplotlib, Pandas y Scikit-Learn

  • A usar Google Colab para implementar y entrenar modelos directamente en la nube

  • A construir arquitecturas de Deep Learning usando Python, la librería Keras y Google Colab

  • A implementar de forma práctica modelos predictivos (de clasificación y regresión) y soluciones a problemas reales en áreas como el procesamiento de imágenes, la visión por computador y el procesamiento del lenguaje natural, entre otras

Contenido del curso

  1. 1
    • Introducción al Aprendizaje Automático

    • Elementos básicos de un sistema de Deep Learning

    • Inteligencia Artificial vs Machine Learning vs Deep Learning

    • Evolución del Deep Learning y casos de éxito

    • Definiciones básicas del Deep Learning

    • Preparación del entorno Python: Google Colab

    • Introducción a Python para Deep Learning

    • Introducción a Numpy para Deep Learning

    • Introducción a Matplotlib para Deep Learning

    • Introducción a Pandas para Deep Learning

    • Elementos esenciales de Álgebra Lineal para Deep Learning

    • Elementos esenciales de Cálculo Diferencial para Deep Learning

    • Elementos esenciales de Probabilidad para Deep Learning

  2. 2
    • Introducción

    • El algoritmo del Gradiente Descendente

    • La Regresión Lineal

    • Práctica 1: la Regresión Lineal desde cero en Python

    • La Regresión Lineal Múltiple

    • Gradiente Descendente estocástico con "mini-batch"

    • Práctica 2: la Regresión Lineal en Keras

    • La Neurona Artificial

    • La entropía cruzada: entrenamiento de la Neurona Artificial

    • Práctica 3: la Neurona Artificial en Keras

    • La Clasificación Multiclase

    • Práctica 4: Clasificación Multiclase en Keras

    • Idea intuitiva acerca de las Redes Neuronales

    • Las Funciones de Activación

    • Entrenamiento de una Red Neuronal: Forward y Backward Propagation

    • Práctica 5: detección de partículas con Redes Neuronales

    • Los sets de entrenamiento, prueba y validación

    • Underfitting y overfitting

    • Práctica 6: cómo crear, entrenar y validar una Red Neuronal en Keras

    • Técnicas de Regularización

    • Otros algoritmos de optimización: gradiente descendente estocástico y mini-batch gradient descent

    • Otros algoritmos de optimización: Gradiente Descendente + Momentum

    • Otros algoritmos de optimización: RMSPROP

    • Otros algoritmos de optimización: Adam

    • Aspectos prácticos para la implementación de Redes Neuronales

    • Proyecto final (parte 1): Predicción del Riesgo de Diabetes con Redes Neuronales - El problema a resolver

    • Proyecto final (parte 2): Análisis Exploratorio de Datos y Manejo de Datos Faltantes

    • Proyecto final (parte 3): Pre-procesamiento y creación de los sets de entrenamiento, prueba y validación

    • Proyecto final (parte 4): entrenamiento y validación preliminar

    • Proyecto final (parte 5): cross-validation, sugerencias finales y conclusiones

  3. 3
    • Introducción

    • El sistema de visión humano y las Redes Convolucionales

    • Retos del procesamiento de imágenes y limitaciones de las Redes Neuronales

    • El filtro o kernel

    • La convolución

    • El "padding"

    • Los "strides"

    • Convolución en imágenes con múltiples canales de entrada (volúmenes)

    • Convolución con múltiples filtros

    • "Pooling"

    • Arquitectura de una Red Convolucional

    • LeNet

    • Práctica 1: clasificación de imágenes usando la red "LeNet"

    • AlexNet y VGGNet

    • Práctica 2: transferencia de aprendizaje con VGG-16

    • GoogLeNet y ResNet

    • Práctica 3 (parte 1): segmentación con Redes Convolucionales - la segmentación y el problema a resolver

    • Práctica 3 (parte 2): segmentación con Redes Convolucionales - entrenamiento y segmentación con U-Net

    • Proyecto final: Detección de Objetos Multiclase (parte 1): La Detección de Objetos y el Problema a Resolver

    • Proyecto final: Detección de Objetos Multiclase (parte 2): Preparación del Set de Datos

    • Proyecto final: Detección de Objetos Multiclase (parte 3): Creación y Entrenamiento de la Red Convolucional

    • Proyecto final: Detección de Objetos Multiclase (parte 4) : Detección de Objetos con la Red Entrenada

  4. 4
    • Introducción: las Redes Neuronales Recurrentes y el concepto de secuencia

    • Principio de funcionamiento de una Red Neuronal Recurrente

    • Arquitectura de una Red Neuronal Recurrente

    • Una Red Neuronal Recurrente en acción: ejemplo paso a paso

    • Entrenamiento: "backpropagation" a través del tiempo

    • Diferentes configuraciones de Redes Recurrentes

    • Práctica 1: Generación de Texto (parte 1): el set de datos y el modelo a implementar

    • Práctica 1: Generación de Texto (parte 2): entrenamiento del modelo y generación de texto

    • Limitaciones de las Redes Neuronales Recurrentes

    • Las Redes LSTM (parte 1): las compuertas y la celda de memoria candidata

    • Las Redes LSTM (parte 2): actualización de la celda de memoria y del estado oculto

    • Práctica 2: Análisis de sentimientos con Redes LSTM (parte 1): el modelo a implementar y el set de datos

    • Práctica 2: Análisis de sentimientos con Redes LSTM (parte 2): implementación de la Red y clasificación de sentimientos

    • Proyecto final: Predicción de Demanda Energética con Redes LSTM (parte 1): series de tiempo, el problema a resolver y el set de datos

    • Proyecto final: Predicción de Demanda Energética con Redes LSTM (parte 2): sets de entrenamiento y prueba y creación y entrenamiento del modelo

    • Proyecto final: Predicción de Demanda Energética con Redes LSTM (parte 3): predicción de la demanda con la red entrenada

    • Ventajas y limitaciones de las Redes Neuronales Recurrentes y LSTM

  5. 5
    • Introducción a las Redes Transformer

    • Aplicaciones de las Redes Transformer

    • Arquitectura de una Red Transformer

    • Codificación: el "embedding" de entrada

    • Codificación: el codificador posicional

    • Codificación: el bloque atencional

    • Codificación: etapa de salida

    • Decodificación: principio de funcionamiento

    • Decodificación: el bloque atencional con enmascaramiento

    • Decodificación: el bloque atencional

    • Decodificación: etapa de salida

    • Práctica 1 (parte 1): Machine Translation - el problema a resolver y preparación del set de datos

    • Práctica 1 (parte 2): Machine Translation - creación y entrenamiento de la Red Transformer

    • Práctica 1 (parte 3): Machine Translation - Traducción de Inglés a Español con la Red entrenada

    • BERT: la transferencia de aprendizaje en las Redes Transformer

    • Práctica 2 (parte 1): Preguntas y Respuestas con BERT - Introducción

    • Práctica 2 (parte 2): Preguntas y Respuestas con BERT - Lectura y "tokenización" del set de datos

    • Práctica 2 (parte 3): Preguntas y Respuestas con BERT - Pre-procesamiento del set de datos y sets de entrenamiento y prueba

    • Práctica 2 (parte 4): Preguntas y Respuestas con BERT - Creación y entrenamiento del modelo

    • Práctica 2 (parte 5): Preguntas y Respuestas con BERT - Predicción: preguntas y respuestas

    • GPT: el aprendizaje NO supervisado en las Redes Transformer

    • Práctica 3 (parte 1): Generación de Texto con GPT-2 - El problema a resolver y preparación del modelo

    • Práctica 3 (parte 2): Generación de Texto con GPT-2 - Ejemplos de generación de texto

    • Práctica 3 (parte 3): Generación de Texto con GPT-2 - Limitaciones y sesgo del generador

    • Proyecto final (parte 1): Clasificación de imágenes con Redes Transformer - ¿Qué es y cómo funciona el "vision transformer"?

    • Proyecto final (parte 2): Clasificación de imágenes con Redes Transformer - Preprocesamiento de la imagen de entrada

    • Proyecto final (parte 3): Clasificación de imágenes con Redes Transformer - Clasificación de imágenes con el "vision transformer"

    • Ventajas y limitaciones de las Redes Transformer

    • Conclusiones y cierre del curso

Requisitos

  • Un computador (de escritorio o portátil) con acceso a Internet.

  • Una cuenta de usuario en Google. La totalidad de la parte práctica del curso será desarrollada en la plataforma Google Colab (de acceso gratuito y a través del navegador de Internet)

  • Alguna experiencia previa implementando código en cualquier lenguaje de programación. En la primera parte del curso se desarrollarán tutoriales introductorios a la programación en Python y las principales librerías requeridas

  • Conocimientos básicos de álgebra y cálculo (al menos a nivel de último año de secundaria). En la primera parte del curso se abordarán los conceptos esenciales de álgebra lineal, cálculo diferencial y probabilidad y estadística

Opiniones del curso

5 puntuación por estrellas

Gran curso. Felicidades

Alfonso García Monge

Estimado Miguel, muchas felicidades por este detallado y completo curso. Muchas gracias por las claras explicaciones y por detallar todos los aspectos de un...

Leer más

Estimado Miguel, muchas felicidades por este detallado y completo curso. Muchas gracias por las claras explicaciones y por detallar todos los aspectos de un tema tan complejo Un saludo cordial

Leer menos
5 puntuación por estrellas

Excelente

Lourdes Tabares

El curso, es excelente. Más que un curso es un master en redes neuronales. Miguel explica todo con muchísima claridad y responde siempre a todas las pregunta...

Leer más

El curso, es excelente. Más que un curso es un master en redes neuronales. Miguel explica todo con muchísima claridad y responde siempre a todas las preguntas, además los ejemplos son muy útiles. Lo recomiendo al 100%.

Leer menos
5 puntuación por estrellas

Acerca del Diploma de este curso

Youness El Hamzaoui

Hola Miguel, le saludo y muchas gracias por su tiempo y su esfuerzo, me siento afortunado haber inscrito en sus cursos de {codificandobits}, han sido de gran...

Leer más

Hola Miguel, le saludo y muchas gracias por su tiempo y su esfuerzo, me siento afortunado haber inscrito en sus cursos de {codificandobits}, han sido de gran apoyo para mi.

Leer menos
5 puntuación por estrellas

Ilusionado

Enrique José Vacas Navarro

Me siento muy entusiasmado con los nuevos conocimientos que he adquirido a lo largo de este curso. Sentando una buena y detallada base sobre el aprendizaje p...

Leer más

Me siento muy entusiasmado con los nuevos conocimientos que he adquirido a lo largo de este curso. Sentando una buena y detallada base sobre el aprendizaje profundo. Enhorabuena Miguel, muchas gracias.

Leer menos
4 puntuación por estrellas

Enhorabuena y agradecimiento

manel montiel mamely

Hola Miguel: Completado el curso no puedo hacer otra cosa más que felicitarte por el magnífico trabajo didáctico en un terreno tan apasionante como complejo...

Leer más

Hola Miguel: Completado el curso no puedo hacer otra cosa más que felicitarte por el magnífico trabajo didáctico en un terreno tan apasionante como complejo. Gracias por el esfuerzo pedagógico que revela el cuidado en la estructura del curso, el diseño de contenidos y la claridad de las explicaciones, así como la evolución de la complejidad sin lagunas que impidan o dificulten su seguimiento en el correcto avance. Es de justicia que conozcas este feedback de nuestra fidelidad premio a tus aportaciones tan generosas como apetecibles en el canal de youtube. Sigo atento a los nuevos cursos. Muchísimas gracias. Salud !!!

Leer menos

Instructor

Fundador y creador de contenidos en Codificando Bits

Miguel Sotaquirá

Soy Ingeniero Electrónico y tengo una Maestría en esta área, así como un Doctorado en Bioingeniería. Durante 15 años he sido profesor e investigador de varias universidades de Colombia, y desde el año 2017 me he convertido en un apasionado por el Machine Learning, el Deep Learning y la Ciencia de Datos. De hecho durante mi tesis doctoral explore temas de Machine Learning y algo de Deep Learning (que aún no estaba en auge!) para el análisis de imágenes médicas. En la actualidad me dedico por completo a divulgar contenido en mi canal de YouTube y a brindar asesoría y formación a personas y empresas en estos temas.