Curso Deep Learning - Online

El Deep Learning está abriendo posibilidades antes impensadas para la inteligencia artificial. Aprende cómo funciona las redes neuronales que le dan vida y sus aplicaciones.
SENCE
Tipo
Curso
Duración
6 a 8 semanas
Precio
$572.000
$400.400
Formas de Pago
  • Tarjeta de crédito chilena: Vía Webpay hasta 3 cuotas precio contado
  • Tarjeta de crédito internacional: Vía Paypal
SENCE
Nombre Sence
Herramientas Aplicadas Para Deep Learning
Código Sence
1238032439
Horas Totales
96
Duración
6 a 8 semanas
Horario Referencial
Lunes a Domingo 09:00 hrs. - 18:00 hrs.
Razón social
Universidad Adolfo Ibáñez
Rut
71.543.200-5
Dirección
Av. Presidente Errázuriz 3485, Las Condes
Ritmo
100% asíncrono, inicia cuando quieras, sin horarios, si no alcanzas en la duración puedes solicitar extensión*.
*: Restricciones aplican a cursos pagados con franquicia tributaria.
Créditos SCT
4
Informacíon
¿En qué consiste el programa?
Deep learning o aprendizaje profundo es un tipo de machine learning destinado principalmente para resolver problemas de percepción, tales como reconocimiento de imágenes, video, audio, etc. Típicamente se ha focalizado en aprendizaje supervisado, pero también existen modelos de deep learning para los otros tipos de aprendizaje. Esencialmente, también se busca una función de mapeo que relacione datos de entrada con una salida deseada. Las principales diferencias con machine learning tradicional, es que la entrada es la fuente directamente, una imagen, por ejemplo, sin la necesidad de extraer atributos que caractericen la imagen, y que luego sean la entrada al algoritmo de machine learning. Lo otro es que el aprendizaje se realiza mediante muchas capas, típicamente, mediante una estructura de redes neuronales. La idea es que, mediante estas capas, la imagen se vaya “destilando” hasta llegar a un conjunto de atributos que alimente a un discriminador finalmente, que puede ser una red neuronal tradicional, por ejemplo.

El curso presentará los fundamentos teóricos y prácticos de deep learning. Además, se verán ejemplos prácticos usando la API Keras vía el lenguaje de programación Python. Se requiere el uso de Google Colab.
¿Qué aprenderás?
  1. Clase 1: Introducción
    Aprendizajes Esperados:
    • Comprender la aparición de deep learning partiendo desde la inteligencia artificial y luego pasando por machine learning para tener una mirada global de cómo surge deep learning.
    • Clasificar los tipos de deep learning y su relación a problemas aplicados en la industria.

    Contenidos:
    • Inteligencia artificial
    • Machine learning
    • Tipos de machine learning
    • ¿Qué es deep learning?
    • ¿Cómo funciona deep learning?

    Evaluaciones:
    • Control 1
    • Actividad de desarrollo 1
  2. Clase 2: Redes Neuronales
    Aprendizajes Esperados:
    • Comprender los orígenes de las redes neuronales desde la biología para entender su funcionamiento.
    • Analizar el modelo perceptrón para comprender sus capacidades en problemas de clasificación automática.
    • Comprender la evolución del perceptrón a un modelo multicapa más sofisticado para resolver problemas de clasificación más complejos.
    • Formular cómo se entrena una red neuronal para desarrollar aplicaciones en Keras.

    Contenidos:
    • Redes neuronales en biología
    • El perceptrón
    • El perceptrón multicapa
    • Optimización basado en el gradiente descendente
    • Un ejemplo usando Keras

    Evaluaciones:
    • Control 2
    • Actividad de desarrollo 2
  3. Clase 3: Redes neuronales en la práctica
    Aprendizajes Esperados:
    • Aplicar redes neuronales a casos de clasificación binaria, multiclase, y regresión.
    • Comprender diferentes enfoques de regularización para atacar el problema de sobreajuste.
    • Analizar el framework de Keras para los diferentes tipos de problemas.
    • Comprender el concepto de word embeddings para problemas de procesamiento del lenguaje natural.

    Contenidos:
    • Ejemplo de clasificación binaria
    • Ejemplo de clasificación multiclase
    • Ejemplo de regresión.
    • Regularización

    Evaluaciones:
    • Control 3
    • Actividad de desarrollo 3
  4. Clase 4: Redes neuronales convolucionales
    Aprendizajes Esperados:
    • Comparar el manejo de imágenes “tradicional” versus el enfoque con redes convoluciones para evidenciar los beneficios de trabajar con redes convolucionales.
    • Comprender los mecanismos detrás de una red neuronal convolucional y de esta forma conocer sus parámetros.
    • Analizar la arquitectura de una red neuronal convolucional para problemas de clasificación de imágenes.

    Contenidos:
    • Motivación (cómo se trabajaba con imágenes "antes")
    • Redes neuronales y multiplicaciones de matrices (tensores)
    • Limitaciones de redes neuronales tradicionales
    • Redes convolucionales (CNN)
    • Pooling (submuestreo)
    • Arquitecturas de CNN
    • Algunas ventajas de CNN

    Evaluaciones:
    • Control 4
    • Actividad de desarrollo 4
  5. Clase 5: Redes neuronales convolucionales en la práctica
    Aprendizajes Esperados:
    • Analizar el uso del deep learning para visión computacional en el entorno de trabajo de Keras.
    • Aplicar una convnet para diversos problemas de clasificación de imágenes.

    Contenidos:
    • Introducción a redes neuronales convolucionales (convnets)
    • Cómo entrenar una convnet desde cero
    • Usando una convnet previamente entrenada
    • Visualizando lo que una convnet aprende
    • Aplicaciones con Keras

    Evaluaciones:
    • Control 5
    • Actividad de desarrollo 5
  6. Clase 6: Redes neuronales recurrentes (RNN)
    Aprendizajes Esperados:
    • Analizar el enfoque de redes neuronales para el caso de datos secuenciales.
    • Comprender en qué consiste una red neuronal recurrente y para que problemas sirve.
    • Analizar las principales redes neuronales recurrentes LSTM y GRU para datos secuenciales.

    Contenidos:
    • Datos secuenciales
    • Una mirada general a redes neuronales recurrentes
    • Necesidad de una alternativa -> LSTM
    • Desde RNN a LSTM
    • Problema de dependencia a largo plazo Backpropagation a través del tiempo (BPTT)
    • LSTM en detalle
    • Variantes -> GRU

    Evaluaciones:
    • Control 6
    • Actividad de desarrollo 6
  7. Clase 7: Redes neuronales recurrentes en la práctica
    Aprendizajes Esperados:
    • Comprender cómo funcionan los modelos de redes neuronales recurrentes en Keras para problemas con datos secuenciales.
    • Aplicar manejo de pilas de capas recurrentes y regularización para mejorar el desempeño de una RNN.
    • Comparar otros enfoques: RNN Bidireccionales y convnets 1-D, que pueden mejorar el desempeño de una RNN convencional.

    Contenidos:
    • Una capa recurrente en Keras
    • Un ejemplo usando LSTM en Keras
    • Un ejemplo usando GRU en Keras
    • Uso de RNN Bidireccionales
    • Manejo de secuencias con convnets 1-D

    Evaluaciones:
    • Control 7
    • Actividad de desarrollo 7
  8. Clase 8: Aplicaciones
    Aprendizajes Esperados:
    • Aplicar LSTM en series de tiempo univariadas y multivariadas para problemas predictivos.
    • Comprender la arquitectura del transformer para el problema de traducción automática.
    • Aplicar un transformer en Keras para un problema de clasificación de sentimiento.

    Contenidos:
    • LSTM en serie de tiempo univariado
    • LSTM en series de tiempo multivariadas
    • El Transformer
    • Ejemplo de clasificación usando transformer para reseñas de productos de guaguas en Amazon

    Evaluaciones:
    • Control 8
    • Actividad de desarrollo 8
Metodología
El curso es 100% online asíncrono, i.e. no hay clases en vivo ni horarios. En la plataforma encontrarás cápsulas con contenido audiovisual, lecturas obligatorias, complementarias, y evaluaciones por cada unidad.
¿A quién va dirigido?
Este curso está dirigido a todo profesional busca conocer, comprender y aplicar técnicas de deep learning en el análisis de datos.

Información y Postulaciones

Admision UAI Online
[email protected]
Postula al Curso Deep Learning - Online

También te puede interesar


Mejora tus conocimientos utilizando herramientas modernas de programación y manejo de datos en un momento clave de la ciencia de datos, aplica diferentes técnicas de machine learning y aprende a evaluar su desempeño.

$1.790.000
$1.253.000
24 semanas + examen
SENCE

Adquiere conocimientos en herramientas relacionadas con analítica descriptiva y predictiva que van en la línea del uso de datos en las empresas. Este curso pretende entregar contenidos y casos que muestran aplicaciones de analítica prescriptiva tanto para

$572.000
$400.400
6 a 8 semanas
SENCE

Adquiere los conocimientos y las amplias de aplicaciones de ciencia de datos, vincular diferentes aplicaciones y las diferentes soluciones comerciales que se pueden desarrollar atreves de esta ciencia.

$572.000
$400.400
6 a 8 semanas