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
* Descuentos no acumulables
Formas de Pago
  • Tarjeta de crédito chilena: Vía Webpay hasta 3 cuotas precio contado
  • Tarjeta de crédito internacional: Vía Paypal
Información
Admision UAI Online
Admisión cursos con sence (franquicia tributaria) *
* Solicitamos por favor sólo escribir a uno de los dos correos.
SENCE
Nombre Sence
Herramientas Aplicadas Para Deep Learning
Código Sence
1238032439
Modalidad
E-Learning Asincrónico
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*.

Cada unidad se abre cada 5 días.
*: Restricciones aplican a cursos pagados con franquicia tributaria.
Créditos SCT
4
¿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. Unidad 1 - Introducción - Objetivos Específicos:
    • 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.
    Videos:
    • Introducción a la inteligencia artificial
    • Llegada de machine learning
    • Deep learning
    • ¿Cómo funciona deep learning?
    • Video tutorial Google Colab

    Lecturas Obligatorias:
    • Intelignecia Artificial, su Evolución, y algunas aplicaciones. Gonzalo A. Ruz

    Evaluaciones:
    • Control
    • Actividad de Desarrollo
  2. Unidad 2 - Redes Neuronales - Objetivos Específicos:
    • 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.
    Videos:
    • La neurona y su funcionalidad
    • El perceptrón
    • Explorando las limitaciones del perceptrón
    • Backpropagation
    • Un ejemplo en Keras

    Lecturas Obligatorias:
    • Intro Redes Neuronales
    • Redes Neuronales

    Lecturas Complementarias:
    • Learning representations by back-propagating errors

    Evaluaciones:
    • Control
    • Actividad de Desarrollo
  3. Unidad 3 - Redes neuronales en la práctica - Objetivos Específicos:
    • 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.
    Videos:
    • Casos de aplicación: clasificación binaria
    • Casos de aplicación: clasificación multiclase
    • Casos de aplicación: regresión
    • Regularización
    • Idea de word embeddings

    Lecturas Obligatorias:
    • Usando Redes Neuronales

    Evaluaciones:
    • Control
    • Actividad de Desarrollo
  4. Unidad 4 - Redes neuronales convolucionales - Objetivos Específicos:
    • 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.
    Videos:
    • Cómo se trabajaba con imágenes "antes"
    • Diferencias entre una red neuronal tradicional y una convolucional
    • Los tres mecanismos de redes neuronales convolucionales
    • Arquitectura de una red convolucional

    Lecturas Obligatorias:
    • Redes neuronales convolucionales

    Lecturas Complementarias:
    • Automated visual inspection system for wood defect classification using computational intelligence techniques Gonzalo A. Ruza, Pablo A. Estevezb and Pablo A. Ramirezb

    Evaluaciones:
    • Control
    • Actividad de Desarrollo
  5. Unidad 5 - Redes neuronales convolucionales en la práctica - Objetivos Específicos:
    • 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.
    Videos:
    • Entrenar una convnet desde cero
    • Usar una convnet previamente entrenada
    • Visualizando lo que una convnet aprende

    Lecturas Obligatorias:
    • Redes Neuronales Convolucionales

    Evaluaciones:
    • Control
    • Actividad de Desarrollo
  6. Unidad 6 - Redes neuronales recurrentes (RNN) - Objetivos Específicos:
    • 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.
    Videos:
    • Datos secuenciales
    • Redes neuronales recurrentes
    • Limitaciones de redes neuronales recurrentes
    • La celda LSTM y GRU

    Lecturas Obligatorias:
    • Long-Short Term Memory y variantes
    • Redes neuronales recurrentes

    Lecturas Complementarias:
    • Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling
    • Long Short-Term Memory

    Evaluaciones:
    • Control
    • Actividad de Desarrollo
  7. Unidad 7 - Redes neuronales recurrentes en la práctica - Objetivos Específicos:
    • 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.
    Videos:
    • 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

    Lecturas Obligatorias:
    • Redes Neuronales Recurrentes

    Evaluaciones:
    • Control
    • Actividad de Desarollo
  8. Unidad 8 - Aplicaciones - Objetivos Específicos:
    • 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.
    Videos:
    • LSTM para serie de tiempo de datos financieros univariado y multivariado
    • Arquitectura del transformer, encoder-decoder
    • Embedding de entrada y codificación posicional, softmax y probabilidades de salida
    • Self-attention, interior del bloque del encoder
    • Interior del bloque del decoder
    • Ejemplo de clasificación usando transformer para reseñas de productos de guaguas en Amazon

    Lecturas Obligatorias:
    • Aplicación de LSTM
    • Clasificacion (Transformer keras tensoflow) Reseñas de Amazon Baby Products
    • Functional Api
    • Transformer

    Lecturas Complementarias:
    • Atention is all you need

    Evaluaciones:
    • Control
    • Actividad de Desarrollo
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]


Admisión cursos con sence
(franquicia tributaria) *
[email protected]
* Solicitamos por favor sólo escribir a uno de los dos correos.

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
* Descuentos no acumulables
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.

$572.000
$400.400
* Descuentos no acumulables
6 a 8 semanas
SENCE

Adquiere conocimientos sólidos en las aplicaciones de ciencia de datos, comprende la vinculación entre diversas aplicaciones y explora las distintas soluciones comerciales que pueden desarrollarse a través de esta disciplina.

$572.000
$400.400
* Descuentos no acumulables
6 a 8 semanas