Programa del Curso

    Visión general de las redes neuronales y el aprendizaje profundo El concepto de Machine Learning (ML) ¿Por qué necesitamos redes neuronales y aprendizaje profundo? Selección de redes para diferentes problemas y tipos de datos Aprendizaje y validación de redes neuronales Comparación de la regresión logística con la red neuronal Red neuronal Inspiraciones biológicas para la red neuronal Redes neuronales: neurona, perceptrón y MLP (modelo de perceptrón multicapa) Aprendizaje de MLP: algoritmo de retropropagación Funciones de activación: lineal, sigmoide, Tanh, Softmax Funciones de pérdida apropiadas para la previsión y clasificación Parámetros: tasa de aprendizaje, regularización, impulso Construcción de redes neuronales en Python Evaluación del rendimiento de las redes neuronales en Python Conceptos básicos de las redes profundas ¿Qué es el aprendizaje profundo? Arquitectura de Redes Profundas: Parámetros, Capas, Funciones de Activación, Funciones de Pérdida, Solucionadores Máquinas Boltzman restringidas (RBM) Autocodificadores Arquitecturas de redes profundas Deep Belief Networks (DBN) – arquitectura, aplicación Autocodificadores Máquinas Boltzmann restringidas Red neuronal convolucional Red neuronal recursiva Red neuronal recurrente Descripción general de las bibliotecas e interfaces disponibles en Python Café Theano Tensorflow Keras Mxnet Elegir la biblioteca adecuada para el problema Construcción de redes profundas en Python Elegir la arquitectura apropiada para un problema dado Redes profundas híbridas Red de aprendizaje: biblioteca adecuada, definición de arquitectura Red de sintonización: inicialización, funciones de activación, funciones de pérdida, método de optimización Evitar el sobreajuste: detección de problemas de sobreajuste en redes profundas, regularización Evaluación de redes profundas Casos de estudio en Python Reconocimiento de imágenes – CNN Detección de anomalías con Autoencoders Predicción de series temporales con RNN Reducción de dimensionalidad con Autoencoder Clasificación con RBM

 

Requerimientos

Es deseable el conocimiento/apreciación del aprendizaje automático, la arquitectura de sistemas y los lenguajes de programación

  14 horas
 

Número de participantes


Comienza

Termina


Dates are subject to availability and take place between 09:30 and 16:30.
Los cursos de formación abiertos requieren más de 5 participantes.

Cursos Relacionados

Torch: Introducción a Máquina y Aprendizaje Profundo

  21 horas

Categorías Relacionadas