Deep Learning con TensorFlow, Caffe y PyTorch: Redes Neuronales y Aplicaciones de IA

Objetivos

Objetivos de la formación en Deep Learning con TensorFlow y PyTorch

Al final de esta formación será capaz de:

• Distinguir las contribuciones del Deep Learning y de la IA, los principios de funcionamiento y las diferentes herramientas disponibles
• Describir los conceptos de Machine Learning y la evolución hacia el Deep Learning (redes neuronales profundas)
• Reconocer los bloques fundamentales del Deep Learning: redes neuronales simples, convolucionales y recurrentes
• Identificar modelos más avanzados: auto-encoders, GAN y aprendizaje por refuerzo
• Implementar las bases teóricas y prácticas de la arquitectura y convergencia de redes neuronales
• Explicar las metodologías de implementación de redes neuronales, así como los puntos fuertes y limitaciones de estas herramientas

Público objetivo de la formación en Deep Learning

Cualquier persona interesada en Deep Learning y redes neuronales: ingenieros, analistas, Data Scientists, Data Analysts, Data Stewards, desarrolladores, etc.

Requisitos previos de la formación en Deep Learning

Poseer una cultura informática general. Se recomienda igualmente poseer nociones de probabilidades y estadística.

Duración

Programa

Programa de la formación en Deep Learning y redes neuronales

Comprender los conceptos de Machine Learning y la evolución hacia el Deep Learning

• Definiciones y posicionamiento: IA, Deep Learning y Machine Learning
• Contribuciones del Deep Learning y estado del arte
• Herramientas disponibles
• Ejemplos de proyectos
• Dominios de aplicación y ejemplos
• Presentación de DeepMind
• Herramientas de Deep Learning de alto nivel: Keras / TensorFlow, Caffe / PyTorch, Lasagne

Ejemplos de ejercicios prácticos (a título indicativo)

• Implementación en Cloud AutoML: lenguaje natural, traducción, reconocimiento de imágenes

Comprender las bases teóricas y prácticas de redes neuronales

• Funcionamiento de una red neuronal
• Aprendizaje de una red neuronal
• Retropropagación del error y convergencia
• Descenso del gradiente
• Funciones de error: MSE, Binary Cross Entropy
• Optimizadores: SGD, RMSprop, Adam
• Definiciones: capa, epochs, batch size, iteraciones, loss, learning rate, momentum
• Optimización del entrenamiento
• Hiperparámetros y su elección

Ejemplos de ejercicios prácticos (a título indicativo)

• Construcción de una red capaz de reconocer una curva

Redes neuronales: tipos y arquitecturas

• Redes neuronales y sus tipos
• MultiLayer Perceptron (FNN / MLP), CNN
• Capas de entrada, salida y cálculo
• Convolución: kernel, padding, stride
• Pooling
• Interpretación de curvas de aprendizaje
• Modelos: Xception, Inception, ResNet, VGG, LeNet

Ejemplos de ejercicios prácticos (a título indicativo)

• Construcción de una red de reconocimiento de imágenes
• Comparación de curvas de aprendizaje con TensorFlow

Modelos avanzados de Deep Learning

• Representaciones de datos
• Ruido
• Codificación: one-hot, embedding layer
• Auto-encoders
• GAN (Generative Adversarial Network)
• Aprendizaje por transferencia
• Optimización de recompensas
• GRU y LSTM
• NLP: codificación y traducción

Ejemplos de ejercicios prácticos (a título indicativo)

• Entrenamiento de un auto-encoder variacional

Implementación de redes neuronales

• Preparación de datos
• Regularización y normalización
• Extracción de características
• Optimización del aprendizaje
• Implementación en producción
• TensorFlow Hub y Serving
• Visualización

Ejemplos de ejercicios prácticos (a título indicativo)

• Implementación de un servidor de modelos y aplicación TFLite

Límites y perspectivas del Deep Learning

• Problemas de convergencia y Vanishing Gradient
• Errores de arquitectura
• Distribución de redes neuronales
• Límites del Deep Learning
• Casos de uso
• Introducción a máquinas cuánticas

Nota: El contenido de este programa puede adaptarse en función de los niveles y necesidades.

Metodología

Metodología de la formación en Deep Learning

Formación impartida presencialmente o a distancia (blended learning, e-learning, clase virtual o presencial a distancia).

El formador alterna entre métodos:

• Demostrativo
• Interrogativo
• Activo (ejercicios prácticos y simulaciones)

Recursos

• Ordenadores Mac o PC
• Conexión a Internet
• Pizarra
• Videoproyector
• Entornos de formación
• Materiales

Evaluación de los aprendizajes

• Análisis de ejercicios prácticos
• Proyecto final con evaluación
• Cuestionario final

Bonificación Fundae

Esta formación es bonificable a través de FUNDAE para todas las empresas que cuenten con trabajadores en régimen general de la Seguridad Social y dispongan de crédito formativo. SKOLAE Formación gestiona todo el proceso administrativo necesario para que tu empresa pueda recuperar el importe invertido en la formación, siempre que se cumplan los requisitos legales y de comunicación establecidos por FUNDAE.

Formador

Profesional especializado en inteligencia artificial y Deep Learning, con experiencia en el desarrollo de modelos de redes neuronales utilizando herramientas como TensorFlow, PyTorch, Keras y Caffe.

Cuenta con trayectoria en proyectos de Machine Learning y Deep Learning aplicados a visión por computador, procesamiento del lenguaje natural (NLP) y análisis de datos, incluyendo el diseño de arquitecturas como CNN, RNN, GAN y autoencoders.

Ha trabajado en la implementación, optimización y despliegue de modelos en entornos reales, incluyendo TensorFlow Serving, TFLite y soluciones en producción, combinando conocimientos técnicos avanzados con una orientación práctica.

Combina experiencia técnica con enfoque pedagógico, facilitando la comprensión de conceptos complejos mediante ejercicios aplicados, demostraciones y casos reales.

¿Te gustó esta formación? Suscríbete a nuestra Newsletter pinchando aquí. También te animamos a seguirnos en LinkedIn, Instagram y Facebook y así estarás al día de todas nuestras novedades.