[IAT-050] Redes Neuronales

Este curso abarca desde conceptos básicos hasta la implementación avanzada de modelos en entornos BigQuery y TensorFlow. Incluye diferencias clave entre Machine Learning y Deep Learning, tipos de redes neuronales, entrenamiento y evaluación de modelos, así como el uso de librerías de Deep Learning en Python para clasificación y análisis.

Duración:                    20 horas

Perfil:                           Avanzado

Dirigido a

Este curso está orientado a programadores, ingenieros, matemáticos y estadísticos relacionados con la ciencia de datos, programación y análisis de datos, que deseen profundizar en redes neuronales y su aplicación en entornos de Big Data y Deep Learning usando BigQuery y Python.

Requisitos previos 

Se requiere tener conocimientos básicos de programación en Python, BigQuery, Machine Learning, y fundamentos de estadística y álgebra lineal.

Objetivos

• Comprender las diferencias entre Machine Learning y Deep Learning.
• Conocer los conceptos y tipos de redes neuronales.
• Aprender a implementar y entrenar modelos en entornos BigQuery y TensorFlow.
• Utilizar módulos y librerías de Python para clasificación, evaluación y optimización de modelos de Deep Learning.

Contenido

1. Introducción a Machine Learning y Deep Learning
   1. Diferencias clave entre Machine Learning y Deep Learning
   2. Casos de uso y aplicaciones prácticas de cada enfoque
2. Introducción a Google Cloud Platform
   1. Interfaz de Usuario de Google Cloud Platform
   2. Usuarios: proyectos y gestión de datos
3. Fundamentos de Redes Neuronales
   1. Principios básicos de redes neuronales: neuronas, capas, y funciones de activación
   2. Arquitectura y estructura de redes neuronales
4. Tipos y Modelos de Redes Neuronales
   1. Redes neuronales Perceptron Multicapa, convolucionales (CNN) y recurrentes (RNN)
   2. Selección de modelos según el problema y sus características
5. Redes Neuronales en entornos de Big Data con BigQuery, TensorFlow y Vertex AI
   1. Configuración y uso de BigQuery, TensorFlow y Vertex AI para Deep Learning
   2. Sintaxis de BigQuery ML para el entrenamiento y evaluación de modelos de Deep Learning
   3. Ventajas de entornos de Big Data para entrenamiento y escalabilidad
6. Redes Neuronales Profundas (DNNs): Conceptos y Arquitectura
   1. Estructura de redes neuronales profundas
   2. Uso de capas y optimización de arquitecturas complejas
7. Implementación de Redes Neuronales en Python
   1. Preparación de datos para redes neuronales: limpieza y normalización
   2. Entrenamiento de modelos: hiperparámetros, validación cruzada, y optimización
   3. Evaluación de modelos: métricas de rendimiento y ajuste de precisión
8. Uso de Librerías y Herramientas para Deep Learning en Python
   1. Introducción a las librerías principales de Deep Learning (TensorFlow, Keras, PyTorch)
   2. Implementación de modelos de clasificación, regresión y evaluación en Python
9. Aplicaciones y Casos Prácticos de Redes Neuronales
   1. Análisis de ejemplos reales y casos de éxito
   2. Adaptación de modelos según los requerimientos específicos de la industria

Documentación Recomendada

Synthetic Data for Machine Learning
By Abdulrahman Kerim
October 2023 | 208 pages

https://www.packtpub.com/product/synthetic-data-for-machine-learning/9781803245409