Todos nuestros cursos emplean una
metodología teórico-práctica, integrando los
conceptos en un proyecto transversal aplicado desde
el primer día. El formato de impartición es mixto, con
sesiones presenciales en Barcelona y Aula Virtual en
nuestra plataforma propia.
Emagister S.L. (responsable) tratará tus datos personales con la finalidad de gestionar el envío de solicitudes de información y comunicaciones promocionales de formación con tu consentimiento. Ejerce tus derechos de acceso, supresión, rectificación, limitación, portabilidad y otros, según se indica en nuestra política de privacidad.
Sedes
Localización
Fecha inicio
Objetivos
Este curso tiene como finalidad construir un sistema basado en redes neuronales avanzadas y Machine Learning en la nube utilizando TensorFlow. Se trabajará en la creación, entrenamiento y evaluación de modelos de Deep Learning, explorando técnicas de optimización y ajuste de hiperparámetros para mejorar el rendimiento. Los alumnos aprenderán a implementar modelos en TensorFlow para tareas como clasificación de imágenes, procesamiento de lenguaje natural (NLP) y análisis de datos estructurados. Además, se abordará la integración de estos modelos en entornos productivos, tanto en infraestructuras locales como en la nube, utilizando TensorFlow Serving y API REST. Este curso es aplicable a diversas áreas, como el reconocimiento de patrones en imágenes, la predicción de series temporales, la detección de anomalías en datos financieros y el análisis de sentimiento en texto
Requisitos
Imprescindible tener conocimientos de programación en lenguaje PYTHON. Recomendable, nociones de SQL
Temario completo de este curso
Ia optimizer + certificación tensorflow
Módulo 1: redes neuronales avanzadas con tensorflow
- Introducción a deep learning y tensorflow.
- Redes neuronales artificiales (ann): perceptrón multicapa (mlp) y retropropagación.
- Redes convolucionales (cnn) para clasificación de imágenes.
- Redes recurrentes (rnn, lstm, gru) para procesamiento secuencial.
- Introducción a transformers y su aplicación en nlp.
- Optimización de modelos: batch normalization, dropout, regularización.
- Ajuste de hiperparámetros en tensorflow.
- Práctica: implementación de una cnn para clasificación de imágenes con tensorflow.
- Práctica: aplicación de rnn/lstm para predicción de series temporales.
- Práctica: uso de modelos transformers para nlp con tensorflow.
- Evaluación teórico / práctica.
Módulo 2: optimización y ajuste de modelos deep learning
- Fundamentos de optimización de modelos dl.
- Ajuste de hiperparámetros con grid search y random search.
- Optimización bayesiana y estrategias avanzadas.
- Transfer learning y fine-tuning con modelos preentrenados (resnet, bert).
- Data augmentation y mejora de generalización en modelos.
- Práctica: optimización de hiperparámetros en modelos de tensorflow.
- Práctica: transfer learning con modelos preentrenados.
- Evaluación teórico / práctica.
Módulo 3: responsible ai y explicabilidad en modelos dl
- Sesgos en datos y algoritmos de deep learning.
- Transparencia y explicabilidad en ia.
- Interpretabilidad de modelos con shap y lime.
- Consideraciones éticas en la ia moderna.
- Práctica: análisis de sesgos en modelos de deep learning.
- Práctica: implementación de técnicas de explicabilidad en modelos tensorflow.
- Evaluación teórico / práctica.
Módulo 4: implementación de modelos con tensorflow
- Implementación de modelos en tensorflow desde cero.
- Uso de keras para simplificar la creación de modelos dl.
- Ajuste de arquitecturas neuronales para mejorar el rendimiento.
- Uso de tensorflow serving para despliegue de modelos en producción.
- Integración de modelos con apis y aplicaciones reales.
- Práctica: implementación de modelos cnn para clasificación de imágenes.
- Práctica: creación de modelos de nlp con transformers en tensorflow.
- Evaluación teórico / práctica.
Módulo 5: visualización e interpretación de modelos dl
- Introducción a herramientas de visualización en deep learning.
- Análisis de métricas: matriz de confusión, precision-recall, roc.
- Práctica: creación de gráficos para análisis de modelos en tensorflow.
- Evaluación teórico / práctica.
Módulo 6: despliegue de modelos en entornos cloud y edge
- Introducción a tensorflow serving y tensorflow lite.
- Despliegue de modelos en google cloud ai platform.
- Implementación de modelos en dispositivos móviles y edge computing.
- Optimización de modelos para entornos de baja latencia.
- Práctica: despliegue de modelos en google cloud ai.
- Práctica: conversión de modelos para ejecución en dispositivos móviles.
- Evaluación teórico / práctica.
Módulo 7: preparación certificación tensorflow
- Simulación de examen.
- Revisión y repaso de conceptos clave.
- Certificación.