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 prácticas en visión por computadora, PLN (Procesamiento del Lenguaje Natural) y más.
- Vista 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 la red.
- Propagación hacia adelante y cálculo de predicciones.
- Funciones de pérdida para tareas de clasificación y regresión.
- Optimización mediante 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 de CNN: conceptos de LeNet, VGG y ResNet.
- Construcción 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 pipelines de aumento con capas de preprocesamiento de Keras.
- Droput, normalización por lotes y otras técnicas de regularización.
- Monitoreo del entrenamiento con métricas de validación y parada anticipada (early stopping).
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 las capas base y entrenamiento de nuevos clasificadores.
- Ajuste fino (fine-tuning): descongelamiento selectivo de capas para la adaptación al dominio.
- Alcanzar alta precisión con datos de entrenamiento limitados.
Redes Recurrentes y Modelado de Secuencias
- Introducción a los datos secuenciales y las dependencias temporales.
- Redes neuronales recurrentes (RNN) y el problema del gradiente desvanecido.
- Celdas LSTM y GRU para dependencias a largo plazo.
- Entrenamiento de un modelo de generación de texto a nivel de caracteres.
- Embeddings de palabras y la capa Embedding en Keras.
Fundamentos del Procesamiento del Lenguaje Natural
- Preprocesamiento de texto: tokenización, relleno (padding) y construcción del vocabulario.
- Construcción de un clasificador de texto con RNNs y LSTMs.
- Conceptos de modelos secuencia-a-secuencia para la traducción automática.
- Mecanismos de atención y su papel en el PLN moderno.
- PLN práctico con las APIs de procesamiento de texto de TensorFlow 2.x.
Proyecto Final: Generación de Leyendas para Imágenes
- Combinación de visión por computadora y PLN en una arquitectura multimodal.
- Extracción de características de imágenes con un codificador CNN preentrenado.
- Construcción de un decodificador basado en LSTM para la generación de leyendas.
- Gestión de múltiples capas de entrada en la API funcional de Keras.
- Entrenamiento y evaluación de la canalización completa (pipeline) de generación de leyendas.
Siguientes Pasos y Recursos
- Implementación de modelos entrenados con TensorFlow Serving.
- Exploración de arquitecturas de transformadores y modelos de lenguaje grandes.
- Talleres avanzados NVIDIA DLI y rutas de certificación.
- Recursos comunitarios, conjuntos de datos e ideas de proyectos.
Requerimientos
- Conocimientos básicos de programación en Python (funciones, bucles, diccionarios, arreglos)
- Familiaridad con conceptos de programación como variables, condicionales y estructuras de datos
- No se requiere experiencia previa en aprendizaje profundo ni aprendizaje automático
Perfil del Participante
- Desarrolladores e ingenieros de software que buscan transicionar hacia la inteligencia artificial y el aprendizaje automático
- Analistas de datos y científicos de datos que desean adquirir habilidades en aprendizaje profundo
- Profesionales técnicos que quieren comprender y aplicar modelos de redes neuronales
- Estudiantes e investigadores que inician su camino 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
