1. INTRODUCCI\u00d3N A DEEP LEARNING
\n 1.1 \u00bfQu\u00e9 es Machine Learning y Deep Learning?
\n 1.2 Instalaci\u00f3n de entorno Python y librer\u00edas Deep Learning
\n 1.3 Aprendizaje supervisado
\n 1.4 \u00bfQu\u00e9 es el overfitting \/ underfitting en el aprendizaje supervisado?
\n 1.5 Evaluaci\u00f3n de rendimiento de modelos – M\u00e9tricas de Clasificaci\u00f3n
\n 1.6 Evaluaci\u00f3n de rendimiento de modelos – M\u00e9tricas de Regresi\u00f3n
\n 1.7 Aprendizaje no supervisado<\/p>\n
2. REDES NEURONALES ARTIFICIALES (ANN) – CONCEPTOS FUNDAMENTALES
\n 2.1 \u00bfQu\u00e9 es una neurona y el modelo perceptr\u00f3n?
\n 2.2 \u00bfQu\u00e9 son las redes neuronales?
\n 2.3 Funciones de activaci\u00f3n
\n 2.4 Funciones de activaci\u00f3n en modelos multiclase
\n 2.5 Funciones de Coste y de Gradiente Descendente
\n 2.6 Propagaci\u00f3n hacia atr\u00e1s (backpropagation)
\n 2.7 Claves para crear redes neuronales efectivas
\n 2.8 \u00bfQu\u00e9 nos proporciona Tensorflow y Keras?<\/p>\n
3. REDES NEURONALES ARTIFICIALES (ANN) – REGRESI\u00d3N CON KERAS Y TENSORFLOW
\n 3.1 Regresi\u00f3n con Keras – Presentaci\u00f3n caso pr\u00e1ctico
\n 3.2 Regresi\u00f3n con Keras – Importaci\u00f3n de librer\u00edas y fuentes
\n 3.3 Regresi\u00f3n con Keras – An\u00e1lisis de datos (EDA) + Preprocesado (I)
\n 3.4 Regresi\u00f3n con Keras – An\u00e1lisis de datos (EDA) + Preprocesado (II)
\n 3.5 Regresi\u00f3n con Keras – Divisi\u00f3n Train \/ Test
\n 3.6 Regresi\u00f3n con Keras – Escalado
\n 3.7 Regresi\u00f3n con Keras – Creaci\u00f3n de modelo
\n 3.8 Regresi\u00f3n con Keras – Entrenamiento del modelo
\n 3.9 Regresi\u00f3n con Keras – Evaluaci\u00f3n y Predicci\u00f3n<\/p>\n
4. REDES NEURONALES ARTIFICIALES (ANN) – CLASIFICACI\u00d3N BINARIA CON KERAS Y TENSORFLOW
\n 4.1 Clasificaci\u00f3n binaria con Keras – Presentaci\u00f3n caso pr\u00e1ctico
\n 4.2 Clasificaci\u00f3n binaria con Keras – Importaci\u00f3n de librer\u00edas y fuentes
\n 4.3 Clasificaci\u00f3n binaria con Keras – An\u00e1lisis de datos (EDA) + Preprocesado
\n 4.4 Clasificaci\u00f3n binaria con Keras – Divisi\u00f3n Train \/ Test
\n 4.5 Clasificaci\u00f3n binaria con Keras – Escalado
\n 4.6 Clasificaci\u00f3n binaria con Keras – Creaci\u00f3n de modelo
\n 4.7 Clasificaci\u00f3n binaria con Keras – Entrenamiento del modelo
\n 4.8 Clasificaci\u00f3n binaria con Keras – Evaluaci\u00f3n y Predicci\u00f3n<\/p>\n
5. REDES NEURONALES ARTIFICIALES (ANN) – CLASIFICACI\u00d3N MULTICLASE CON KERAS Y TENSORFLOW
\n 5.1 Clasificaci\u00f3n multiclase con Keras – Presentaci\u00f3n caso pr\u00e1ctico
\n 5.2 Clasificaci\u00f3n multiclase con Keras – Importaci\u00f3n de librer\u00edas y fuentes
\n 5.3 Clasificaci\u00f3n multiclase con Keras – An\u00e1lisis de datos (EDA) + Preprocesado (I)
\n 5.4 Clasificaci\u00f3n multiclase con Keras – An\u00e1lisis de datos (EDA) + Preprocesado (II)
\n 5.5 Clasificaci\u00f3n multiclase con Keras – Divisi\u00f3n Train \/ Test
\n 5.6 Clasificaci\u00f3n multiclase con Keras – Escalado
\n 5.7 Clasificaci\u00f3n multiclase con Keras – Creaci\u00f3n de modelo
\n 5.8 Clasificaci\u00f3n multiclase con Keras – Entrenamiento del modelo
\n 5.9 Clasificaci\u00f3n multiclase con Keras – Evaluaci\u00f3n y Predicci\u00f3n
\n 5.10 Clasificaci\u00f3n multiclase con Keras – Monitorizaci\u00f3n con Tensorboard<\/p>\n
6. REDES NEURONALES CONVOLUCIONALES (CNN) – CLASIFICACIONES IM\u00c1GENES BLANCO Y NEGRO
\n 6.1 Introducci\u00f3n a las redes neuronales convolucionales (CNN)
\n 6.2 \u00bfQu\u00e9 son los filtros de imagen y los kernels?
\n 6.3 Capas convolucionales en una CNN
\n 6.4 Capas pooling en una CNN
\n 6.5 Clasificaci\u00f3n im\u00e1genes Blanco y Negro – Presentaci\u00f3n caso pr\u00e1ctico
\n 6.6 Clasificaci\u00f3n im\u00e1genes Blanco y Negro – Importaci\u00f3n de librer\u00edas y fuentes
\n 6.7 Clasificaci\u00f3n im\u00e1genes Blanco y Negro – Preprocesado
\n 6.8 Clasificaci\u00f3n im\u00e1genes Blanco y Negro – Creaci\u00f3n del modelo
\n 6.9 Clasificaci\u00f3n im\u00e1genes Blanco y Negro – Entrenamiento del modelo
\n 6.10 Clasificaci\u00f3n im\u00e1genes Blanco y Negro – Evaluaci\u00f3n y Predicci\u00f3n<\/p>\n
7. REDES NEURONALES CONVOLUCIONALES (CNN) – CLASIFICACIONES IM\u00c1GENES EN COLOR
\n 7.1 Clasificaci\u00f3n im\u00e1genes RGB – Presentaci\u00f3n caso pr\u00e1ctico
\n 7.2 Clasificaci\u00f3n im\u00e1genes RGB – Importaci\u00f3n de librer\u00edas y fuentes
\n 7.3 Clasificaci\u00f3n im\u00e1genes RGB – Preprocesado
\n 7.4 Clasificaci\u00f3n im\u00e1genes RGB – Creaci\u00f3n del modelo
\n 7.5 Clasificaci\u00f3n im\u00e1genes RGB – Entrenamiento del modelo
\n 7.6 Clasificaci\u00f3n im\u00e1genes RGB – Evaluaci\u00f3n y Predicci\u00f3n<\/p>\n
8. REDES NEURONALES RECURRENTES (RNN)
\n 8.1 Introducci\u00f3n a las redes neuronales recurrentes (RNN)
\n 8.3 8.2 Neuronas LSTM
\n 8.4 Creaci\u00f3n de batches en RNN
\n 8.5 Forecast RNN – Presentaci\u00f3n caso pr\u00e1ctico
\n 8.6 Forecast RNN – Importaci\u00f3n de librer\u00edas y fuentes
\n 8.7 Forecast RNN – Preprocesado
\n 8.8 Forecast RNN – Divisi\u00f3n Train \/ Test
\n 8.9 Forecast RNN – Escalado
\n 8.10 Forecast RNN – Creaci\u00f3n Generador Serie Temporal
\n 8.11 Forecast RNN – Creaci\u00f3n del modelo
\n 8.12 Forecast RNN – Entrenamiento del modelo
\n 8.13 Forecast RNN – Evaluaci\u00f3n y Predicci\u00f3n<\/p>\n
9. REDES NEURONALES EN APRENDIZAJE NO SUPERVISADO
\n 9.1 Introducci\u00f3n a las redes neuronales en aprendizaje no supervisado
\n 9.2 \u00bfQu\u00e9 son los autoencoders en una red neuronal?
\n 9.3 NN No Supervisado – Presentaci\u00f3n caso pr\u00e1ctico
\n 9.4 NN No Supervisado – Importaci\u00f3n de librer\u00edas y fuentes
\n 9.5 NN No Supervisado – Preprocesado
\n 9.6 NN No Supervisado – Escalado
\n 9.7 NN No Supervisado – Estimaci\u00f3n n\u00famero de cl\u00fasteres
\n 9.8 NN No Supervisado – Creaci\u00f3n del modelo
\n 9.9 NN No Supervisado – Entrenamiento del modelo
\n 9.10 NN No Supervisado – Evaluaci\u00f3n y Predicci\u00f3n de cl\u00fasteres<\/p>\n","protected":false},"excerpt":{"rendered":"
Aprender los fundamentos de las redes neuronales de tal manera que se consigan ejecutar casos pr\u00e1cticos reales tanto para aprendizaje supervisado como no supervisado a partir de las librer\u00edas Tensorflow y Keras con lenguaje Python.<\/p>\n","protected":false},"featured_media":24101,"template":"","meta":{"_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":""},"product_brand":[],"product_cat":[48],"product_tag":[],"class_list":["post-24291","product","type-product","status-publish","has-post-thumbnail","product_cat-informatica-y-comunicaciones","first","instock","virtual","taxable","purchasable","product-type-simple"],"yoast_head":"\n