Deep Learning con Tensorflow para Machine Learning e IA
4.4 (201 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.
2,771 students enrolled

Deep Learning con Tensorflow para Machine Learning e IA

Combina TensorFlow en Python para programar tus algoritmos de ML e IA con ejemplos prácticos del mundo en varios campos
4.4 (201 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.
2,772 students enrolled
Last updated 5/2020
Spanish
Spanish [Auto-generated]
Current price: $139.99 Original price: $199.99 Discount: 30% off
5 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 40 hours on-demand video
  • 5 articles
  • 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
  • Utilizar y saber programar con la librería TensorFlow 1.14
  • Conocer la estructura y funcionamiento de la librería TensorFlow de Google en Python
  • Saber implementar diversos algoritmos del mundo del Machine Learning y la Inteligencia Artificial con TensorFlow
  • Elaborar gráficos de computación para entender las fases de los algoritmos en TensorFlow
  • Desarrollar algoritmos de procesamiento natural del lenguaje como por ejemplo predicción de SPAM o redacción de textos con estilo literario
  • Trabajar con imágenes y a procesarlas con redes neuronales de convolución, elaborando como práctica un algoritmo que pintará una imagen como Van Gogh
Course content
Expand all 151 lectures 40:11:00
+ Introducción
8 lectures 24:03
Conoce a Juan Gabriel Gomila, tu instructor
02:25
Requisitos previos para seguir el curso
01:37
Conoce la comunidad de Discord para aprender todos juntos
03:37
Cómo usar todo el potencial de Udemy y redactar preguntas en el foro
09:59
Accede a todo el código fuente en el Github del curso
00:06
No valores el curso de forma prematura
02:41
Cuidado con la versión de TensorFlow
00:29
+ Fundamentos de Tensorflow y Machine Learning
10 lectures 02:26:42
Formas de definir tensores
23:51
Placeholders y variables en TensorFlow
13:58
El grafo de computación en TensorFlow
09:29
Matrices en TensorFlow
19:51
Operaciones aritméticas en Tensorflow
07:43
Otras operaciones matemáticas
14:02
Funciones de activación en TensorFlow
22:31
Recursos adicionales de TensorFlow
03:30
+ Fuentes de datos y cómo acceder a ellas
11 lectures 01:34:45
Posibles fuentes de datos
01:00
El dataset de las flores Iris
06:08
Los nacimientos y relación humana
09:25
Keras y las casas de Boston
14:51
Los datos manuscritos del MNIST
11:38
Spam o no Spam
11:22
Valoraciones de películas
12:22
Catalogar objetos a través de imágenes
08:52
Las palabras de Shakespeare
08:13
Traducción de frases entre múltiples idiomas
10:18
BUG: Si no te funciona el ZipFile de la clase anterior...
00:36
+ Un repaso de Machine Learning
15 lectures 04:27:57
Piensa en matemáticas, traduce a TensorFlow
01:13
El grafo básico de operaciones en Tensorflow
09:02
Divide la ejecución en capas
19:03
Múltiples capas de trabajo
18:46
Gráficos de computación con tensorboard
07:27
Funciones de pérdida para problemas de regresión
20:11
Funciones de pérdida para problemas de clasificación
28:13
Métricas para evaluar la calidad del modelo
18:29
La propagación hacia atrás en regresión
21:48
La propagación hacia atrás en clasificación
19:48
Acerca de las variantes del Gradiente Descendente
07:46
Entrenamiento en por bloques vs estocástico
24:23
Clasificar las flores de Iris
31:01
Evaluar los modelos de regresión
19:35
Evaluar los modelos de clasificación
21:12
+ Regresión Lineal
11 lectures 03:15:02
La regresión lineal
03:42
El método de la matriz inversa
17:16
El método de la descomposición LU
15:05
Regresión lineal a lo TensorFlow
21:20
La función de pérdidas en la regresión lineal
19:28
Regresión lineal deming
26:02
Métodos de regularización (lasso y ridge)
22:57
Regresión elastic net
22:13
Crear y leer CSV desde tus propios datos
11:34
Normalización de los datos en entrenamiento y test
12:46
Regresión logística
22:39
+ Las máquinas de soporte vectorial
12 lectures 03:29:43
Support Vector Machine
04:51
¿Qué es una SVM?
10:21
Trabajar con un SVM lineal
38:29
SVM para estimar una regresión lineal
22:48
Cambiar el Kernel con TensorFlow
11:10
Cómo generar distribuciones en forma de anillo
07:12
Un kernel gaussiano con TensorFlow
21:19
Ejercicio: entrena tu kernel gaussiano
19:06
Diferentes núcleos de convolución
07:45
Los efectos del parámetro gamma
24:31
Un clasificador multi clase
13:25
Clasificar las tres especies de flores con SVM
28:46
+ Encontrar los vecinos más cercanos
11 lectures 03:31:08
El concepto detrás de los vecinos más cercanos
01:51
Formalización matemática de los KNN
17:27
Descargar y procesar el dataset con requests
15:59
Implementar KNN con variables numéricas con TensorFlow
20:37
Medir la eficacia de la clasificación
09:10
La distancia de Levenshtein
35:05
Distancias basadas en texto
06:51
Cómo utilizar distancias ponderadas para cada variable
20:16
Comparar número y texto para clasificar
32:32
El ejemplo de los vecinos de una imagen
32:07
+ Redes neuronales
13 lectures 04:38:02
Los algoritmos no supervisados y su potencial
09:18
Puertas lógicas y redes neuronales
07:01
Puertas lógicas y operaciones en TensorFlow
11:26
Ejercicio: más operaciones lineales con TensorFlow
10:27
Funciones de activación
27:46
Una red neuronal con una capa oculta
35:19
Redes neuronales multicapas en el caso 1D
29:58
Redes neuronales multicapas en el caso 2D
18:05
El ejemplo de recién nacidos con bajo peso
37:54
Mejoras con la entropía cruzada
23:17
El juego del tres en raya
32:47
Entrenando nuestra red neuronal
17:54
La red neuronal que aprende a jugar
16:50
+ Procesamiento Natural del Lenguaje
20 lectures 06:21:05
El rol del NLP en el siglo XXI
06:22
La idea detrás del concepto de procesamiento natural del lenguaje
06:03
Limpieza de datos para el Bag of Words
28:38
Entrenando con el Bag of Words
34:23
Text Frequency - Inverse Document Frequency
19:53
Los algoritmos de Word2Vec
11:17
Descargar y clasificar las valoraciones de películas
17:33
La limpieza de datos
28:40
Entrenando con los Skip Gramas
23:20
El detalle de cómo funciona la embedding matrix
08:37
Continuous Bag of Words
21:22
Entrenando con Continuous Bag of Words
20:30
Crear una librería con todo lo aprendido
12:45
Cómo cargar modelos ya entrenados con pickle
14:31
Clasificando las valoraciones de películas con Word2Vec
24:34
Cómo funciona la técnica de doc2vec
06:56
Inicializando nuestros embeddings con doc2vec
20:08
Entrenando con doc2vec
20:36
Análisis de Sentimiento
27:31
+ Redes Neuronales de Convolución
19 lectures 05:14:11
CNN para el tratamiento de imágenes
02:27
La convolución matemática
09:43
Otras operaciones matriciales
07:59
Una red neuronal de convolución simple
29:01
Entrenando nuestra red neuronal convolucional
16:22
Evaluar los resultados de nuestra red neuronal convolucional
15:31
Redes neuronales más completas
11:59
Procesar los datos binarios de imágenes de CIFAR-10
17:41
El modelo de CNN para las imágenes de CIFAR
20:18
Entrenando con la CNN completa
16:29
Los resultados del entrenamiento de la CNN
13:08
Descomprimir imágenes binarias y guardarlas en diferentes carpetas
26:57
Evaluar con la red Inception de Google
00:03
Cómo cargar una red neuronal entrenada con Matlab
26:07
Aplicar un estilo a otra imágen
21:53
Deep Dream
08:24
Entrenando con Deep Dream
21:18
Qué entiende cada neurona de cada capa de Deep Dream
25:41
Requirements
  • Se recomienda tener una fuerte base de programación en Python
  • Es recomendable tener unas fuertes bases de estadística y álgebra lineal (o haber tomado los cursos previos de Juan Gabriel)
  • Es muy recomendable haber cursado los cursos de Machine Learning y de Inteligencia Artificial de Juan Gabriel
Description

Bienvenido al Curso completo de Tensorflow para Machine Learning, Deep Learning y IA utilizando Python!

En este curso veremos todos los trucos de cómo iniciarse y llegar a utilizar la librería de Google TensorFlow para crear redes neuronales aritificiales para resolver problemas de Machine Learning, Deep Learning y Inteligencia Artificial! El objetivo del curso es llegar a entender las complejidades de TensorFlow empezando por las bases e ir construyendo algoritmos y ejemplos basados en casos reales para luego poder utilizarlo en tu día a día de trabajo. Al final del mismo tendrás tanto control sobre TensorFlow que tú único problema será que tendrás muchos algoritmos implementados para resolver las tareas de forma muy pero que muy eficiente!! El curso te servirá como guía completa para interiorizar y saber usar TensorFlow para tus propios análisis de datos, casos de estudio y conociendo las últimas técnicas que existen en el mundo del Machine Learning y el Deep Learning!

En el curso explicaremos la teoría necesaria para ir directos a implementaciones prácticas que puedas usar, todas ellas en Notebooks de Jupyter en Python que podrás descargar desde el primer día desde el repositorio de Github junto con el resto de notas, transparencias y materiales extras del curso. Así mismo tendrás retos y ejercicios para ir expandiendo tus conocimientos de todo lo que vayamos viendo durante el curso para que puedas practicar más allá de lo visto en clase.

En el curso cubriremos todo tipo de temas desde cero hasta ser un profesional

  • Fundamentos de TensorFlow y su sintaxis

  • Regresión Lineal y Logística

  • Support Vector Machines

  • Técnicas de Nearest-Neighbors para clasificación y regresión

  • Redes Neuronales para catalogar imágenes o predecir valores de series temporales

  • Procesamiento Natural del Lenguaje con Bag of Words, TF-IDF, Skip gramas, Word2Vec...

  • Redes Neuronales Convolucionales

  • Redes Neuronales Recurrentes

  • TensorFlow en producción

  • y mucho más!!

Una pregunta que te harás va a ser: si ya he hecho los cursos de R y Python de Juan Gabriel Gomila, ¿por qué debo tomar este curso de TensorFlow?

TensorFlow es una librería open source útil para cálculos numéricos utilizando grafos con flujo de datos entre sus nodos. Los nodos representan operaciones matemáticas, mientras que las aristas representan los arrays de datos multidimensionales (llamados tensores) que se conectan entre las operaciones. La arquitectura es tan flexible que nos ayuda a implementar miles de algoritmos en una o varias CPUs, GPUs, en servidores, en PCs de sobre mesa, portátiles, dispositivos móviles... y todo con una sola API. ¿Increíble verdad? Originalmente, TensorFlow fue un proyecto desarrollado por investigadores e ingenieros del equipo de Machine Learning de Google, el llamado Google Brain Team para sus propios algoritmos de machine learning, inteligencia artificial y redes neuronales profundas, pero hicieron tan gran trabajo, que se convirtió en la herramienta genérica que puede ser usada en una gran cantidad de dominios adicionales como los comentados anteriormente que forman parte del curso también!

Además, miles de compañías de todo el mundo lo utilizan como parte de su sistema de recomendación, predicción y clasificación como por ejemplo Airbnb, Ebay, Dropbox, Snapchat, Twitter, Uber, Udemy SAP, Qualcomm, IBM, Intel, y por supuesto, Google!

Con este curso te podrás convertir en todo un gurú del  machine learning y complementar todo lo aprendido en el resto de cursos con Juan Gabriel, así que espero que te apuntes y nos vemos en las clases online!

Who this course is for:
  • Iniciados en la librería TensorFlow que quieran saber como funcionan los tensores en Python
  • Estudiantes de los cursos de Estadística, Machine Learning y Inteligencia Artificial que quieran llevar las habilidades al máximo exponente usando TensorFlow
  • Estudiantes de ingeniería, master o doctorado que necesiten usar TensorFlow en sus proyectos de la universidad
  • Empresas de todo tipo de sector que utilicen herramientas de Machine Learning que quieran implementar TensorFlow en producción
  • Desarrolladores de Python que quieran expandir sus habilidades en el mundo del Machine Learning