[email protected]!

🤖 Uno de los primeros cursos con base teórica y práctica detallada paso a paso.

Si ya comprendes lo básico en Ciencia de Datos, este curso es el siguente paso.

¿Qué vas a aprender? :

✔ Fundamentos de Deep Learning

✔ Definir entradas y salidas de una red

✔ Arquitectura y estructura de datos para deep learning

✔ Entrenar, predecir y monitorear de resultados

✔ Predecir datos tabulares e imágenes (intro)

✔ Operaciones con vectores y matrices

✔ Tamaño del batch, épocas, tasa de aprendizaje, funciones de activación, y mas!

Prácticas en Python


Teoría intuitiva


A través de:

✅ +17 videos teórico-prácticos.

✅ Videos teóricos cortos ~ 7min.

✅ Teoría explicada con presentaciones didácticas, paso a paso.

✅ Prácticas en Python usando Google colab.

Prácticas en Keras con Google Colab


Google colab nos permite entrenar modelos en la nube con acceso a hardware especializado para Deep Learning (TPU).


Usaremos Keras con Tensorflow de backend, una de las librerías mas utilizadas en investigación y la industria por su rápido prototipado.



$10

Deep Learning 360 (Nivel 1)

Fundamentos de Deep Learning

Curso introductorio y práctico para entender las bases de a Deep Learning


Clase abierta de 60 minutos introductoria a Deep Learning.

Un buen primer paso a las arquitecturas, panorma actual y detalles de las redes neuronales.




🎥 Ver la clase (YouTube)




Curriculum del Curso


  Etapa 1: Fundamentos de Deep Learning
Disponible en días
días después de que te inscribas
  Etapa 2: Manos a la obra! Práctica con Keras
Disponible en días
días después de que te inscribas
  Etapa 3: Introducción a visión por computadora
Disponible en días
días después de que te inscribas

Programa detallado


Parte teórica

- IA hoy: NLP, visión por computador, transfer learning y GANs.

- ¿Qué es una red neuronal? A nivel funcional y un poquito de matemática (a no temer!)

- ¿Qué es una función de pérdida? (loss function)

- ¿Qué es la tasa de aprendizaje? (learning rate)

- ¿Qué es una función de activación? (activation function)

- Arquitectura de una red para datos tabulares y visión por computadora

- ¿Cómo aprende una red neuronal? Algortimo backpropagation

- Vector gradiente y tasa de aprendizaje.

- ¿Qué es un optimizador? ¿Cómo incide en el aprendizaje?

- Representación de una imagen como vector y matrices.

- Dimensionalidad de los casos de entrada para series de tiempo, imágenes color y video.


Parte práctica:

- Introducción a Google Colab

- Introducción a Keras

- Elección de neuronas por capa: entrada, oculta y de salida.

- Funciones de activación por tipo de capa (softmax, ReLU y linear).

- Entrenamiento de una red neuronal (fit).

- Batch size y memoria RAM, itereaciones y actualización de pesos.

- Relación entre batch size, casos de entrenamiento, épocas e iteraciones.

- Concepto de overfitting y early-stopping.

- Funciones de monitoreo de la función de pérdida y precisión.

Preguntas Frecuentes

Se requiere nociones básicas de modelos machine learning, como por ejemplo crear y validar modelos, overfitting, distintos tipos de modelos, métricas de error, etc. Todos estos son los temas que se cubren y profundizan en Ciencia de Datos 360.

Este curso es con Python. Keras también tiene su implementación (wrapper) en R.

Este curso viene después de CDD360, o bien para aquellos que tengan conocimientos básicos en machine learning.

Un mes. Al finalizar este período, si lo querés consultar de nuevo vas a tener que inscribirte de nuevo.

Está pensado para que se realice en 9 días, pero la duración es variable de acuerdo a la experticia y dedicación del alumno/a.

El total neto de horas es de ~ 2.5 hs


Todos los scripts usados en el laboratorio! Si donás podés descargarte las casi 100 slides de presentación.

No tantos como en los otros cursos, pero sí.

Instructor

Pablo Casas

"Me dedico como cientifico de datos desde el 2006, trabaje en distintos tipos de áreas como finanzas, medicina, seguridad informática, entre otras.
Hay una manera genérica de ver y estudiar cada caso, ese método lo muestro en mis cursos con explicaciones que incluyen gráficos, objetos cotideanos, memes, alguna referencia matemática que no asuste, y código para aprender haciendo.
Publiqué el Libro Vivo de Ciencia de datos y la librería funModeling.
Me gusta explicar (y aprender) con ejemplos prácticos. Es lo que encontrarán en mis cursos y publicaciones."
[Ver más]

Linkedin | Twitter