Curso de Deep Learning: Redes neuronales desde cero

3 y 6 cuotas sin interés
25/10/2022

Presentación

El sub-campo del mundo del Machine Learning llamado Deep Learning ha ganado amplia popularidad en el último tiempo ya que está detrás de considerables avances tecnológicos actuales.

Es así como el proceso de aprendizaje a través de Redes Neuronales se diferencia principalmente de los métodos tradicionales del Machine Learning (aprendizaje automático) porque necesita poca o nula intervención humana en la elección de los “features”, que son significativos para el modelo que mejor se ajusta a los datos disponibles del problema.

Comprende cómo el Deep learning o Aprendizaje Profundo conglomera una serie de métodos íntimamente ligados a los modelos de redes neuronales artificiales, los cuales, se idearon originalmente para replicar la dinámica neuronal del cerebro de manera simplificada con el objetivo de resolver problemas concretos en el área de las ciencias y la ingeniería.

En este curso aprenderás paso a paso diversos aspectos del mundo de las Redes Neuronales artificiales de manera progresiva. Emplearás el lenguaje de programación de Python y herramientas modernas de uso extendido en la industria y la academia: Tensorflow y Keras.

Modalidad: A distancia ágil

play_circle_filled
En vivo o acceso a las grabaciones
description
Recursos Multimedia
wifi
100% a distancia
record_voice_over
Acompañamiento de tutores

Qué vas a aprender

Objetivo general

Introducirse en el campo de las redes neuronales artificiales y ganar experiencia y agilidad en el uso de Tensorflow y Keras para el desarrollo de modelos que resuelvan problemas concretos.

Objetivos específicos

  • Introducirse en la operación de los tipos de redes de uso más extendido.
  • Investigar y profundizar en las herramientas que brinda Tensorflow y Keras en cada caso.
  • Analizar los resultados de distintos tipos de modelos y sus casos de aplicación.
Inscripción

Temario

2 Modulos • 10 Unidades • Carga Horaria 38 horas
expand_more

Modulo 1: Redes neuronales densas

expand_more

Unidad 1: Introducción a las redes neuronales.

fiber_manual_record
Tema 1: Modelo de neurona.
fiber_manual_record
Tema 2: Arquitecturas: perceptrón, perceptrón multi-capa, redes feed-foward.
fiber_manual_record
Tema 3: Funciones de activación.
fiber_manual_record
Tema 4: Aprendizaje de redes neuronales artificiales.
fiber_manual_record
Tema 5: Tensorflow & Keras I.
expand_more

Unidad 2: Redes densas I.

fiber_manual_record
Tema 1: Preprocesado de los datos, inicialización de los pesos de la red.
fiber_manual_record
Tema 2: Batch normalization, regularización en las redes neuronales (L2/dropout).
fiber_manual_record
Tema 3: Funciones de costo.
fiber_manual_record
Tema 4: Optimizadores.
fiber_manual_record
Tema 5: Tensorflow & Keras II.
expand_more

Unidad 3: Redes densas II y redes convolucionales I.

fiber_manual_record
Tema 1: Conceptos.
fiber_manual_record
Tema 2: Redes Convolucionales: arquitecturas.
fiber_manual_record
Tema 3: Capas de convolución/pooling.
fiber_manual_record
Tema 4: Tensorflow & Keras III.
expand_more

Unidad 4: Redes convolucionales II e introduccion a las redes recurrentes.

fiber_manual_record
Tema 1: Casos de estudio AlexNet/ZFNet/VGGNet y otros.
fiber_manual_record
Tema 2: Transferencia de conocimiento.
fiber_manual_record
Tema 3: Introduccion a las redes recurrentes.
fiber_manual_record
Tema 4: Tensorflow & Keras IV.
fiber_manual_record
Unidad 5: Trabajo integrador final
expand_more

Modulo 2: Introducción a las redes neuronales.

expand_more

Unidad 1: Introducción a las redes neuronales.

fiber_manual_record
Tema 1: Modelo de neurona.
fiber_manual_record
Tema 2: Arquitecturas: perceptrón, perceptrón multi-capa, redes feed-foward.
fiber_manual_record
Tema 3: Funciones de activación.
fiber_manual_record
Tema 4: Aprendizaje de redes neuronales artificiales.
fiber_manual_record
Tema 5: Tensorflow & Keras I.
expand_more

Unidad 2: Redes densas I.

fiber_manual_record
Tema 1: Preprocesado de los datos, inicialización de los pesos de la red.
fiber_manual_record
Tema 2: Batch normalization, regularización en las redes neuronales (L2/dropout).
fiber_manual_record
Tema 3: Funciones de costo.
fiber_manual_record
Tema 4: Optimizadores.
fiber_manual_record
Tema 5: Tensorflow & Keras II.
expand_more

Unidad 3: Redes densas II y redes convolucionales I.

fiber_manual_record
Tema 1: Conceptos.
fiber_manual_record
Tema 2: Redes Convolucionales: arquitecturas.
fiber_manual_record
Tema 3: Capas de convolución/pooling.
fiber_manual_record
Tema 4: Tensorflow & Keras III.
expand_more

Unidad 4: Redes convolucionales II e introduccion a las redes recurrentes.

fiber_manual_record
Tema 1: Casos de estudio AlexNet/ZFNet/VGGNet y otros.
fiber_manual_record
Tema 2: Transferencia de conocimiento.
fiber_manual_record
Tema 3: Introduccion a las redes recurrentes.
fiber_manual_record
Tema 4: Tensorflow & Keras IV.
fiber_manual_record
Unidad 5: Trabajo integrador final

Destinatarios

Personal que se desempeñe en la industria o la academia.
Autodidactas en general.

Requisitos

  • Conocimientos básicos de probabilidad y estadística.
  • Conocimientos intermedios de python.
  • Conocimientos básicos de álgebra lineal.

Equipo docente

Enrique Nicanor Mariotti

Profesor

Mi nombre es Enrique Nicanor Mariotti, soy Ingeniero mecánico con dos Másters en Ciencia de la Ingeniería, el primero en modelado de datos aplicado a la industria aeroespacial (INSA de Rouen, Francia, 2014) y el segundo en procesamiento de imágenes (Instituto Balseiro, Argentina, 2020). Actualmente trabajo en INVAP, escribiendo codigo de ... Ver más
Enrique Nicanor, Mariotti

Juan Marcelo Barreto Rodriguez

Coordinador

Mi nombre es Juan Marcelo Barreto y soy ingeniero en Materiales de la CNEA (Carrera de Ingeniería en Materiales; Instituto Sábato (Comisión Nacional de Energía Atómica 2002 - 2006). Además, tengo una MBA (MBA - Master of Business Administration– Facultad Regional Buenos Aires, Escuela de Posgrado UTN.Soy docente de numerosos cursos de inf... Ver más
Juan Marcelo, Barreto Rodriguez
https://matplotlib.org/
https://scikit-learn.org/stable/
https://www.tensorflow.org/learn
Goodfellow I. (s.d.) Deep Learning. (MIT Press), http://www.deeplearningbook.org
http://www.numpy.org/

Metodología de enseñanza-aprendizaje:

Toda la comunicación con los tutores la tendrás por medio de nuestro Campus Virtual, el cual está disponible las 24hs y donde encontrarás:

  • Foros de debate.
  • Consultas al tutor por medio de foros y mensajería interna.
  • Material de lectura obligatoria.
  • Contenidos complementarios.
  • Actividades y trabajos integradores individuales y/o grupales.
  • Clase en tiempo real, mínimo 1 encuentro cada 15 días, a través de Zoom.

Modalidad de evaluación y acreditación:

Para la acreditación de un trayecto formativo se tiene en cuenta:

  • La lectura y visualización de todos los contenidos.
  • Grado de participación en todos los foros de debate y actividades propuestas.
  • La entrega y aprobación de todas las actividades y ejercicios que se consignen como obligatorios.
  • El alumno deberá finalizar la cursada dentro de la duración del trayecto sin excepción. Terminado el mismo, no podrá entregar ninguna actividad obligatoria adeudada. 
  • La aprobación de la Evaluación Integradora Final, la cual puede ser un Trabajo Práctico o un Cuestionario Multiple Choice. 

Al culminar el trayecto formativo, de haber cumplido con lo anteriormente nombrado se te otorgará un Certificado de Aprobación. En caso de haberlo hecho parcialmente, se te entregará un Certificado de Participación. Para conocer más acerca de nuestros certificados, consulte este artículo

Así enseñamos:

Material de estudio online

Material de estudio online

Te brindamos los apuntes, material de estudio y textos complementarios necesarios para tu aprendizaje. Todo el contenido es descargable para que puedas visualizarlo cuando y donde quieras.

Clases en tiempo real

Clases en tiempo real

Tendrás clases en tiempo real periódicamente para desarrollar y profundizar las unidades temáticas. Su participación no es obligatoria y quedan grabadas para que accedas a ellas en todo momento.

Foros de discusión con docentes y pares

Foros de discusión con docentes y pares

Desde el Centro de eLearning creemos que la retroalimentación entre compañeros y profesores es la mejor forma de aprender.

Seguimiento docente activo

Seguimiento docente activo

Para poder desarrollar correctamente tu aprendizaje contás con profesores a tu disposición para poder despejar cualquier duda o inquietud que tengas sobre el material de estudio y la cursada. Asimismo, tendrás disponible un servicio de mensajería directa con ellos, además de los foros de intercambio.

Campus virtual disponible 24hs del día

Campus virtual disponible 24hs del día

Nuestra plataforma te permite estudiar en el horario que te sea conveniente, disponible en todo momento.

Profesores especializados en elearning

Profesores especializados en elearning

Nuestros docentes están capacitados en educación a distancia y comparten la vocación de enseñar y mantenerse en constante actualización para brindar lecciones íntegras y de gran nivel académico.

Certificación Universitaria UTN B

Certificación Universitaria UTN BA

Nuestros certificados son extendidos en formato digital por el Centro de e-Learning de la Secretaría de Cultura y Extensión Universitaria de UTN FRBA. Contamos con un Sistema de Verificación de Certificados (SVC) a través del cual se pueden verificar los diplomas emitidos, tanto por parte de un alumno o un tercero que requiera validar el historial académico.

¡Somos UCAP!

¡Somos UCAP!

Estamos registrados como Unidad Capacitadora, es decir que los cursos que dictamos pueden canalizarse a través del Régimen de Crédito Fiscal para capacitación

Certificación

Diploma digital verificable a través del sistema de verificación de autenticidad.

UTN-BA

Certificados extendidos por la Secretaría de Cultura y Extensión Universitaria de Universidad Tecnológica Nacional Regional Buenos Aires.

Compartilo en

redes sociales
Certificado-UTN

Preguntas Frecuentes

Es muy fácil:

  1. Haz clic en el botón "Inscripción" en la página web de tu curso de interés. Si es la primera vez que estudias con nosotros, crea tu usuario. Si ya tienes uno, inicia sesión.
  2. La página te redireccionará al proceso de pago. Si tienes un cupón de descuento, ¡este es el momento de usarlo! Carga su código en el botón “Tengo un cupón de descuento”.
  3. Luego de operación, el pago puede demorar entre 48 y 72hs en impactar en el sistema. ¡No te preocupes! Cuando se acredite te avisaremos vía correo electrónico. 

En caso que el curso seleccionado cuente con un proceso de admisión, deberás enviar la documentación requerida para ser admitido y luego efectuar la inscripción.

La inscripción de nuestros cursos se mantiene abierta hasta 7 días después de la fecha de inicio.
Sigue los pasos de inscripción y envíanos el comprobante de pago a administracion@centrodeelearning.com para que te demos el acceso al aula y puedas comenzar a cursar.

Puedes abonar a través de Mercado Pago con tarjeta de débito, crédito o en efectivo.
Si pagas con tarjetas de crédito podrás financiar el pago en 3 o 6 cuotas sin interés, dependiendo del curso.

El día de inicio de la cursada te enviaremos un correo electrónico para avisarte que el material ya está disponible en el Campus Virtual. ¡No te desesperes! El correo puede llegar entre las 10 y las 16hs.

A partir de ese momento vas a poder visualizar los contenidos de la primera unidad, el programa de estudio y el cronograma de clases.

Para asegurar la calidad de las clases, algunos cursos pueden tener cupos limitados. Dependiendo del curso, es posible que las vacantes se completen rápido.

¡No te preocupes! Nuestros cursos cuentan con varias fechas de inicio a lo largo del año para que nadie se quede con las ganas de estudiar y certificarse en el Centro de e-Learning UTN BA.