Deep Learning e Inteligencia artificial con Keras/Tensorflow
4.5 (207 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
1,025 students enrolled

Deep Learning e Inteligencia artificial con Keras/Tensorflow

Conviertete en un experto del Deep Learning mediante este curso guiado desde cero y su material en Python
4.5 (207 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
1,025 students enrolled
Last updated 5/2020
Spanish
Spanish [Auto]
Current price: $55.99 Original price: $79.99 Discount: 30% off
5 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 16.5 hours on-demand video
  • 70 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Assignments
  • Certificate of Completion
Training 5 or more people?

Get your team access to 4,000+ top Udemy courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • Tratamiento y procesado de datos en Data Science
  • Aprender a afrontar los principales problemas del machine learning
  • Construir modelos pioneros para resolver sus problemas de Data Science con Keras/Tensorflow
  • Redes neuronales Recurrentes, su funcionamiento y aplicación
  • El Deep Learning desde sus comienzos hasta la actualidad
  • Uso de librerias de Data Science en Python
  • Redes Adversarias Generativas, su funcionamiento y aplicación
  • YOLO y la detección de múltiples objetos en imágenes
  • Procesado de Texto mediante Deep Learning
  • Redes Neuronales Clásicas y Convolucionales, su funcionamiento y aplicación
Course content
Expand all 61 lectures 16:14:34
+ Instrumentación e instalación
9 lectures 02:35:11

En esta primera parte se planteará una introducción en Windows y la instalación de Python.

Instalacion en Windows Parte 1: Introducción y Python
06:18

En esta segunda parte de la instalación abordaremos toda la parte de la instalación de librerías útiles para el uso de GPU como CUDA y CUDNN.

Instalación en Windows Parte 2: Cuda y CuDnn
21:43

En esta tercera parte de la instalación se abordará toda la preparación del entorno virtual de programación, la instalación de las principales librerías necesarias de python y por último el linkado e instalación de dicho entorno en Pycharm

Instalación en WIndows Parte 3: Entorno Anaconda y Pycharm
23:32

Esta última parte de la instalación en Windows abordará la creación de un código de ejemplo simple para comprobar el funcionamiento funcionamiento de todo nuestro sistema y ver cual es el flujo de trabajo de un código de Deep Learning

Instalación en Windows Parte 4: Primer código
28:02

En esta primera parte se planteará una introducción en Linux y la instalación de Python.

Instalación en Linux Parte 1: introducción y instalación de Python
02:58

En esta segunda parte de la instalación abordaremos toda la parte de la instalación de librerías útiles para el uso de GPU como CUDA y CUDNN.

Instalación en Linux Parte 2: Instalación de Cuda y Cudnn
14:57

En esta tercera parte de la instalación se abordará toda la preparación del entorno virtual de programación, la instalación de las principales librerías necesarias de python y por último el linkado e instalación de dicho entorno en Pycharm

Instalación en Linux Parte 3: Instalación de Entorno, Ide y Librerías
22:31

Esta última parte de la instalación de nuestra aparamenta en linux abordará la creación de un código de ejemplo simple para comprobar el funcionamiento funcionamiento de todo nuestro sistema y ver cual es el flujo de trabajo de un código de Deep Learning

Instalación en Linux Parte 4: Primer código
20:55

Video explicación sobre como usar Google Collab en este curso de Deep Learning y primer script en el mismo

Uso de Google Collab y primer código de Deep Learning
14:15

En este test se van a evaluar los conocimientos iniciales sobre la instalación y metodología a seguir sobre el setup en Keras/Tensorflow, las preguntas abarcarán cuestiones tanto de Linux y Collab como de Windows.

Test de Conocimientos Iniciales sobre el entorno de programación
7 questions
+ Videos complementarios al curso
1 lecture 07:03

En esta clase se explicarán los principales cambios que ha habido de tensorflow 1.x.x a tensorflow 2.x.x y como los afrontaremos en el curso

El cambio de Tensorflow 1.x.x a Tensorflow 2.x.x
07:03
+ Redes Neuronales Clásicas
11 lectures 01:50:34

En este primer video introduciremos las Redes Neuronales Clásicas y pondremos todo un poco en contexto.

Redes Neuronales Clásicas: Introducción
01:44

En este video hablaremos de las redes neuronales más clásicas, los perceptrones y los perceptrones multicapa.

Redes Neuronales Clásicas: El Perceptron
04:45

Una vez hemos explicado los perceptrones, procederemos a explicar las unidades de cálculo simple que estos contienen dentro de sí, las neuronas.

Redes Neuronales Clásicas: La Neurona
12:37

En este video comentaremos las funciones de activación y la importancia de las mismas.

Redes Neuronales Clásicas: La Función de Activación
06:03

En este video hablaremos de la estructura de las redes neuronales clásicas y de la función de cada elemento de su estructura.

Redes Neuronales Clásicas: Estructura
11:42

En este video hablaremos del preprocesado necesario para las redes neuronales y la importancia de este.

Redes Neuronales Clásicas: Preprocesado de Datos
05:29

En este video comenzaremos a hablar del entrenamiento de las redes neuronales, los principales algoritmos de optimización y los parámetros más importantes involucrados en dichos entrenamientos.

Redes Neuronales Clásicas: El Entrenamiento Parte 1
13:40

En este video hablaremos del optimizador Adam, uno de los optimizadores más punteros hoy en día.

Redes Neuronales Clásicas: El Entrenamiento Parte 2
07:01

En este video veremos como pasar de la teoría de las Redes Neuronales Clásicas a los comandos de Keras/Tensorflow.

Redes Neuronales Clásicas: Las Neuronas en Keras/Tensorflow
06:54

En este video veremos los métodos más importantes de Keras/Tensorflow(fit y compile) y los callbacks más usados.

Redes Neuronales Clásicas: Métodos y Callbacks más conocidos
14:52

En este video afrontaremos un ejemplo práctico de Redes Clásicas con la base de datos MNIST

Redes Neuronales Clásicas: Ejemplo Práctico
25:47

Este examen tratará de abarcar los aspectos básicos de la clase de redes neuronales clásicas.

Test de redes clásicas
12 questions
+ Redes Neuronales Convolucionales
19 lectures 04:19:13

En esta primera parte se introducirán las Redes Neuronales Convolucionales para comenzar a familiarizarnos con las mismas.

Redes Neuronales Convolucionales Parte 1: Introducción
08:11

En esta segunda parte comentaremos la base y todos los aspectos de las Capas Convolucionales, que constituyen la esencia de este tipo de Redes Neuronales.

Redes Neuronales Convolucionales Parte 2: Capas Convolucionales
17:03

En esta tercera parte comentaremos brevemente las Capas densas o capas clásicas que sacamos a relucir en lecciones anteriores.

Redes Neuronales Convolucionales Parte 3: Capas Densas
05:23

En esta cuarta parte comentaremos la capa de Pooling más conocida, el Max Pooling, como funciona, porque se utiliza y otros aspectos de la misma.

Redes Neuronales Convolucionales Parte 4: Max Pooling
09:12

En esta quinta parte hablaremos de la capa de regularización Dropout y desvelaremos cada uno de los aspectos que contiene.

Preview 06:31

En esta sexta parte hablaremos sobre la capa de normalización de batch y su utilidad.

Redes Neuronales Convolucionales Parte 6: Batch Normalization
07:42

En esta séptima parte veremos en profundidad las activaciones más conocidas y utilizadas en las redes neuronales, cada una y su aplicación habitual serán comentadas.

Redes Neuronales Convolucionales Parte 7: Activaciones
12:13

En esta octava parte trataremos casos prácticos de redes neuronales convolucionales y pasaremos de la teoría a la práctica.

Redes Neuronales Convolucionales Parte 8: Ejemplo Práctico
51:24

En esta clase se explicará como guardar y cargar de todas las maneras posibles los modelos en Keras/Tensorflow

Lección Complementaria: Guardado y cargado de mejores modelos entrenados
11:01

Estudio de los diferentes tipos de problemas más típicos en el machine learning a través de ejemplos prácticos de los mismos. En este caso sobre clasificación multiclase.

Tipos de problemas: Clasificacion Multiclase
18:04

Estudio de los diferentes tipos de problemas más típicos en el machine learning a través de ejemplos prácticos de los mismos. En este caso sobre regresion.

Tipos de problemas: Regresion
14:39

Estudio de los diferentes tipos de problemas más típicos en el machine learning a través de ejemplos prácticos de los mismos. En este caso sobre clasificación binaria.

Tipos de problemas: Clasificacion Binaria
19:40

Explicación de la primera arquitectura más conocida en el Deep Learning, la Alexnet, importante acompañar el video con el pdf del artículo.

Arquitecturas más conocidas: Alexnet
10:01

Después del origen de las arquitecturas, todo continuó con la VGG16 y el inicio de los bancos de filtros, importante acompañar el video con el pdf del artículo.

Arquitecturas más conocidas: VGG16
05:01

Descripción a fondo de la Inception V3 , importante acompañar el video con el pdf del artículo.

Arquitecturas más conocidas: Inception V3
10:03

Descripción a fondo de la Resnet , importante acompañar el video con el pdf del artículo.

Arquitecturas más conocidas: Resnet
11:07

Descripción a fondo de la Inception V4 y Inception-Resnet , importante acompañar el video con el pdf del artículo.

Arquitecturas más conocidas: Inception-Resnet and Inception V4
11:55

Descripción a fondo de la Xception , importante acompañar el video con el pdf del artículo.

Arquitecturas más conocidas: Xception
04:52

En esta lección se tratará de forma práctica cada una de las arquitecturas planteadas, para finalmente comparar todas ellas. Tras ello se explicarán y codificarán los conceptos de Fine Tuning y Transfer Learning

Comparacion arquitecturas, Fine tuning y Transfer learning
25:11

En este examen vamos a tratar los principales aspectos dados en el bloque de redes convolucionales.

Cuestionario de Redes Convolucionales
16 questions
+ Redes Neuronales Recurrentes
8 lectures 01:54:12

Introducción a Redes Neuronales Recurrentes

Introducción a redes recurrentes
10:46

Explicación sobre las unidades recurrentes simples

Redes Recurrentes Simples (RNN)
05:26

Explicación sobre las unidades de puerta recurrente

Redes de Puertas Recurrentes(GRU)
10:27

Explicación sobre las LSTM

LSTM
11:16

En este caso se va a abordar uno de los problemas más típicos en las redes recurrentes, el empleo de las recurrencias de las series temporales para realizar predicciones futuras de las mismas. Todo ello a partir de un ejemplo práctico y paso por paso

Caso Práctico de Redes Neuronales Recurrentes aplicadas a series temporales
24:08

Las redes neuronales Recurrentes solo se utilizan con datos sin relación espacial o temporal? Pues claro que no, aquí vamos a ver un ejemplo de como estas redes se usan en la clasificación de videos sobre todo o en la predicción de ciertos movimientos basados en videos.

Caso Práctico de Redes Neuronales Recurrentes Convolucionales
13:21

En este caso práctico vamos a tratar el procesado de texto mediante las redes neuronales recurrentes. Algo que a día de hoy se utiliza muchísimo.

Caso Práctico de Redes Neuronales Recurrentes aplicadas a texto
14:28

Caso práctico de Redes Neuronales Recurrentes con problématica avanzada, como tratamiento de datos desde un fichero csv, pesado de clases, uso de capas especiales...etc.

Caso Práctico de Redes Neuronales Recurrentes Aplicadas a Texto-Ejemplo Avanzado
24:20

En este examen vamos a tratar los principales aspectos dados en el bloque de redes recurrentes.

Cuestionario de Redes Recurrentes
8 questions
+ Otros tipos de Redes y arquitecturas
10 lectures 04:28:33

En esta introducción se va a describir algo más en profundidad como se va a desglosar y crear esta sección.

Introduccion
06:36

Se va a presentar un caso de procesado de información 1D para mostrar que las redes convolucionales no solo son aplicables en información 2D como las imágenes

Redes Convolucionales 1D
26:04

En esta clase vamos a introducir una arquitectura totalmente convolucional llamada Codificación-Decodificación que es muy útil en múltiples casos como puede ser la segmentación semántica.

Redes Codificación-Decodificación(Encoder-Decoder)
22:28

En esta primera clase veremos la explicación completa de Yolo V1, desde principio hasta fin.

You Only Look Once: Yolo V1
43:57

En esta segunda lección acerca de Yolo, veremos cuáles fueron los grandes cambios que hicieron llegar a Yolo a una versión V2 y como ello ha repercutido en el algoritmo y sus resultados.

You Only Look Once: Yolo V2
34:37

En esta última clase teórica haremos una breve análisis de Yolo V3 y cuáles fueron los últimos cambios introducidos con respecto a sus predecesores.

You Only Look Once: Yolo V3
06:18

En esta clase utilizaremos una Red Yolo Preentrenada para evaluar cualquier video que carguemos de disco. Además de ello explicaremos paso a paso cada una de las lineas del código y las relacionaremos con la teoría. El video se ha hecho con la implementación de Google Colab, pero en los archivos adjuntos se adjuntará una implementación local practicamente igual para aquellos que quieran usarlo en sus ordenadores y no en la nube.

You Only Look Once: Clase práctica
54:52

Primera Clase explicativa de las Redes Adversarias Generativas.

Redes Adversarias Generativas: Introduccion y Funcionamiento
15:17

En este primer ejemplo práctico, aplicaremos las redes adversarias generativas al problema de la superresolución con la SRGAN

Redes Adversarias Generativas: Superresolución y SRGAN
30:55

En esta clase conoceremos la famosa red adversaria generativa Pix2Pix, resaltando desde sus puntos teóricos más innovadores y llevando la misma a la práctica a posteriori en el código.

Redes Adversarias Generativas: Generación de imágenes con Pix2Pix
27:29
+ Retos y Problemas a afrontar
1 lecture 04:17

En esta introducción se va a explicar como vamos a afrontar esta sección y como se organizará la afrontación de los problemas aquí enunciados.

Introducción
04:17
En esta tarea, el objetivo será emplear los datos de la base de datos GOTPD1 de imágenes de profundidad para detectar personas en las mismas. Dicha tarea tiene interés en las empresas de videovigilancia, dado que el empleo de información de profundidad permite preservar la identidad de las personas.
Detección de personas en imágenes de profundidad
5 questions
Requirements
  • Preferiblemente tener una pequeña base de programación en python aunque el curso se trate de enfocar a estudiantes que empiecen de cero
  • Conocimientos básicos de matemáticas como los adquiridos en la ESO o bachillerato, la carencia de ellos requeriría algo más de esfuerzo por parte del alumno, pero con esfuerzo podría conseguir los mismos resultados
  • Disponer de un ordenador con Linux, Windows o en su defecto con una conexión y una cuenta de Google
Description

Es posible que a día de hoy muchos de vosotros hallais escuchado un monton de palabras en ingles del mundo empresarial o académico, entre las cuales estaban Deep Learning o Machine Learning. ¿Son estos conceptos humo?, pues bien, debeis saber que muy lejos de la verdad el machine learning y una de sus especializaciones, el Deep Learning son disciplinas muy utilizadas hoy en día por las cuales en grandes empresas como Indra, GMV, Accenture...y otras llegan a pagar hasta 50000-60000 euros anuales. ¿Pero para que sirven y porque están tan bien pagadas no?.


En este curso vamos a partir de cero para entender paso a paso como  funciona el Deep Learning, como se puede aplicar el mismo y que fundamentos matemáticos se esconden detrás de esta disciplina. Pero todos sabemos lo duras y engorrosas que se pueden llegar a hacer las explicaciones teóricas con tanto fundamento matemático. Por lo cual este curso va a tratar de abordar muchos y muy diferentes casos prácticos de problemas reales, en algunos de empresas, o investigación afrontados por mi mismo, a través de los cuáles introduciremos la teoría del Deep Learning de forma mucho más amena y amigable.


¿Cual es la ventaja de este curso frente a otros similares? Vamos a tratar el Deep Learning desde un nivel de aprendiz hasta el nivel Experto de cualquier científico de Datos hoy en día. Los Pros de este enfoque es que al acabar este curso sabréis desenvolveros y afrontar problemas con Deep Learning, pero también requerirá un mayor esfuerzo ya que no es sencillo pasar de 0 a 100.


¿Como se va a organizar el curso?:


-Lección 1: Introducción al Deep Learning:

   - Aplicaciones actuales del Deep Learning

   - Introducción teórica del curso

-Lección 2: Instrumentación e instalacion:

  - Instalación en Windows parte 1: Introducción y Python

  - Instalación en Windows parte 2: Cuda y CuDnn

  - Instalación en Windows parte 3: Anaconda y Pycharm

  - Instalación en Windows parte 4: Primer Código de Deep Learning

  - Instalación en Linux parte 1: Introducción y Python

  - Instalación en Linux parte 2: Cuda y CuDnn

  - Instalación en Linux parte 3: Virtualenv y Pycharm

  - Instalación en Linux parte 4: Primer Código de Deep Learning

  - Opción de Procesado en la Nube con Google Collab

  - Test de Conocimientos Iniciales

-Lección 3: Redes Neuronales Clásicas:

  - Introducción

  - El Perceptrón

  - La Neurona

  - La función de activación

  - Estructura Interna

  - Preprocesado de datos

  - El Entrenamiento de Redes Neuronales

  - Métodos y Callbacks

  - Ejemplo práctico de Redes clásicas

  - Test de Redes Neuronales Clásicas

-Lección 4: Redes Neuronales Convolucionales

  - Introducción

  - Las capas Convolucionales

  - Las capas Densas

  - El Max Pooling

  - El Dropout

  - El Batch Normalization

  - Las activaciones

  - Ejemplos de clasificación con redes convolucionales usando las bases de datos MNIST, CIFAR10 y CIFAR100

   -Clasificación Binaria: Análisis del problema, explicación y resolución de un caso práctico en Keras

   -Clasificación Multiclase: Análisis del problema, explicación y resolución de un caso práctico en Keras

   -Regresión: Análisis del problema, explicación y resolución de un caso práctico en Keras

  - Arquitectura Alexnet

  - Arquitectura VGG16

  - Arquitectura Inception V3

  - Arquitectura Resnet

  - Arquitectura Inception-Resnet

  - Arquitectura Xception

  - Comparativa de las diferentes arquitecturas mediante ejemplo práctico

  - Fine Tuning y Transfer Learning a través de ejemplo práctico

  - Test de Redes Convolucionales

-Leccion 7: Las Redes Recurrentes

  - Introducción

  - Redes Recurrentes Simples(RNN)

  - Redes de Puerta Recurrente(GRU)

  - Long Short Term Memory(LSTM)

  - Caso práctico de redes recurrentes aplicadas a Series Temporales

  - Caso práctico de redes recurrentes convolucionales aplicadas a Videos

  - Las Redes Recurrentes en el procesado de texto junto con 2 ejemplos prácticos de su uso sobre la detección en textos.

  - Test de Redes Recurrentes

-Leccion 8: Otras Redes y arquitecturas

  - Introducción

  - Redes Convolucionales 1D y caso práctico

  - Redes de Codificación-Decodificación(Encoder-Decoder) y  aso práctico

  - You Only Look Once(YOLO) V1, V2, V3 y caso práctico

  - Redes Adversarias Generativas, teoría y casos prácticos

-Leccion 9: Retos

  -Resolución de ejemplo real de detección de personas en imágenes de Profundidad


Musica de fondo: Depart (cdk mix) by Analog By Nature (c) copyright 2015 Licensed under a Creative Commons Attribution license. Ft: Tekno Eddy
 

Who this course is for:
  • Todo aquel que sepa un poco de python o quiera aprenderlo y sienta interés o necesite Data Science o Machine Learning