[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