[ATD-100] Machine Learning: TensorFlow 2 y PyTorch

Este curso cubre desde los fundamentos de Machine Learning y Data Science hasta el desarrollo y despliegue de modelos avanzados en redes neuronales. Incluye teoría y práctica en redes neuronales, funciones de coste, retropropagación, y exploración profunda de TensorFlow y PyTorch, con ejemplos de regresión, clasificación y redes convolucionales y recurrentes.

Duración:                    25 horas

Perfil:                           Avanzado

Dirigido a

Este curso está orientado a programadores, ingenieros, matemáticos y estadísticos interesados en el aprendizaje automático y el desarrollo de modelos de inteligencia artificial que quieran profundizar en redes neuronales y frameworks como TensorFlow y PyTorch.

Requisitos previos 

Se requiere tener conocimientos básicos de programación en Python, fundamentos de álgebra lineal y cálculo. También se recomienda conceptos iniciales consolidados de estadística y Data Science.

Objetivos

• Entender los conceptos básicos de Machine Learning y Deep Learning.
• Conocer los fundamentos y tipos de redes neuronales.
• Aprender a implementar redes neuronales en TensorFlow (Keras) y PyTorch.
• Desarrollar modelos para tareas de clasificación, regresión, y redes convolucionales y recurrentes.

Contenido

1. Introducción
   1. Conceptos fundamentales de Machine Learning y Deep Learning
   2. Principios básicos de Data Science para la creación de modelos predictivos
   3. Preparación del entorno de desarrollo e instalación de TensorFlow y PyTorch
2. Redes Neuronales
   1. Introducción a las redes neuronales y sus aplicaciones
   2. Arquitectura y funcionamiento del Perceptrón Multicapa
   3. Explicación de las funciones de coste y su rol en el ajuste del modelo
   4. Retropropagación y descenso de gradiente como métodos de optimización
   5. Tipos de redes neuronales: perceptrones multicapa, redes convolucionales y recurrentes
3. Fundamentos de TensorFlow (Keras)
   1. Introducción a Keras y TensorFlow como herramientas para Deep Learning
   2. Creación de una red neuronal básica en TensorFlow
   3. Implementación de modelos de regresión y clasificación en TensorFlow
   4. Redes neuronales convolucionales (CNN) para procesamiento de imágenes
   5. Redes neuronales recurrentes (RNN) para análisis de secuencias
4. Fundamentos de PyTorch
   1. Introducción a PyTorch como framework de aprendizaje profundo
   2. Construcción de redes neuronales y definición del bucle de entrenamiento en PyTorch
   3. Uso de Data Loaders y técnicas de Data Augmentation
   4. Trabajo a bajo nivel con PyTorch para personalización avanzada de modelos
5. Despliegue de Modelos

Documentación Recomendada

Deep Learning with PyTorch
Eli Stevens, Luca Antiga, and Thomas Viehmann
Julio 2020 | 520 páginas

https://www.manning.com/books/deep-learning-with-pytorch