Udemy
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
Subscribe
Turn what you know into an opportunity and reach millions around the world.
Learn More
Your cart is empty.
Keep shopping
TINTOlib: Deep Learning en Tidy Data con Imágenes sintéticas
Rating: 4.7 out of 5(14 ratings)
795 students

TINTOlib: Deep Learning en Tidy Data con Imágenes sintéticas

Implementa arquitecturas híbridas CNN/ViT+MLP sobre datos tabulares transformados en imágenes sintéticas con TINTOlib
Created byPhD. Manuel Castillo-Cara
Last updated 7/2026
Spanish
EnglishSpanish

What you'll learn

  • Dominar técnicas avanzadas de optimización para mejorar el rendimiento de redes neuronales con Python y Keras.
  • Comprender cómo transformar datos tabulares en imágenes sintéticas con métodos como TINTO, IGTD y REFINED para usar redes de visión.
  • Desarrollar redes neuronales híbridas (CNN+MLP y ViT+MLP) aplicadas a tareas de regresión y clasificación con datos tabulares.
  • Dominar el uso de TINTOlib en Python para generar imágenes sintéticas y construir flujos de trabajo reproducibles en deep learning.
  • Evaluar el rendimiento de modelos clásicos frente a híbridos, identificando cuándo usar imágenes sintéticas para mejorar resultados.

Course content

3 sections • 11 lectures • 1h 59m total length

  • Fundamentos de las imágenes sintéticas10:59
  • Métodos de transformación de datos tabulares a imágenes sintéticas15:02
  • Redes Neuronales Híbridas con imágenes sintéticas14:09
  • Para saber más...0:09

Requirements

  • Conocimientos intermedio en programación en Python
  • Familiaridad general con Machine Learning (conceptos como regresión y clasificación).
  • Conocimientos intermedios de redes neuronales y deep learning (no se requiere experiencia avanzada).
  • Tener instalado Python 3.8+ y un entorno como Anaconda, JupyterLab o VSCode.
  • Recomendable contar con una GPU (aunque no obligatorio) para entrenar modelos más rápido.

Description

TINTOlib: Deep Learning en Tidy Data con Imágenes Sintéticas

Implementa arquitecturas híbridas CNN/ViT+MLP sobre datos tabulares transformados en imágenes con TINTOlib.

Instructor: PhD. Manuel Castillo-Cara

Requisitos previos

Este curso está orientado a estudiantes con conocimientos previos en Machine Learning, Deep Learning y programación en Python. Se recomienda estar familiarizado con conceptos de regresión, clasificación y nociones básicas de redes neuronales.

Para un mejor aprovechamiento, se sugiere haber cursado previamente alguno de los siguientes cursos:

  • Deep Learning con Python y Keras. Redes Neuronales avanzado. Dominando el Aprendizaje Profundo con Keras en Python: Desarrollo y Evaluación de Modelos Neuronales de 0 a experto.

  • Máster de especialista en Ciencia de Datos con Python. Aprenda a desarrollar proyectos de Machine Learning y Deep Learning con Python. Data Science de básico a Experto

Descripción del curso

Bienvenido al curso TINTOlib: Deep Learning en Tidy Data con Imágenes sintéticas, donde aprenderás a transformar datos tabulares en imágenes sintéticas y a construir modelos de redes neuronales híbridas con TINTOlib.

Este curso te guiará en el desarrollo de arquitecturas Convolucionales, Vision Transformers (ViT) o Redes Neuronales Híbridas compuestas por CNN+MLP o ViT+MLP aplicadas a tareas de clasificación y regresión sobre datos estructurados, utilizando representaciones visuales generadas a partir de los propios datos. A través de un enfoque práctico, trabajarás con notebooks reales y librerías de código abierto para aplicar técnicas de vanguardia en deep learning aplicado a datos no visuales.

Lo que aprenderás en este curso:

  • Comprender los fundamentos de la transformación de datos tabulares en imágenes sintéticas.

  • Implementar Redes Neuronales Híbridas que combinan CNNs o Vision Transformers con MLPs para mejorar la precisión.

  • Utilizar TINTOlib en Python para generar imágenes sintéticas a partir de datos estructurados.

  • Evaluar el rendimiento de modelos tradicionales vs. híbridos y analizar su comportamiento en diferentes datasets.

¿Para quién es este curso?

  • Científicos de datos e ingenieros de IA que trabajen con datos tabulares y busquen nuevas técnicas para mejorar el rendimiento de sus modelos.

  • Investigadores que deseen experimentar con arquitecturas híbridas y nuevas formas de representación de datos.

  • Desarrolladores Python interesados en librerías de deep learning aplicadas a problemas estructurados.

  • Estudiantes de posgrado o profesionales del ML que quieran ir más allá del enfoque tradicional con XGBoost o Random Forest.

Contenidos del curso:

  • Introducción a TINTOlib y a las Redes Neuronales Híbridas

  • Modelos CNN sobre imágenes sintéticas

  • Redes Neuronales Híbridas compuestas por CNN + MLP

  • Vision Transformers (ViT) sobre imágenes sintéticas

  • Redes Neuronales Híbridas compuestas por ViT + MLP

  • Tipos de fusión o concatenación en Redes Neuronales Híbridas.

  • Benchmark, buenas prácticas y líneas de futuro

Who this course is for:

  • A estudiantes de ciencia de datos, IA o ingeniería interesados en nuevas formas de procesar datos tabulares.
  • A investigadores que buscan aplicar redes neuronales a problemas clásicos de clasificación o regresión.
  • A desarrolladores que quieran integrar librerías como TINTOlib en sus flujos de trabajo con deep learning.
  • A profesionales de machine learning que desean explorar arquitecturas híbridas CNN/ViT + MLP.
  • A cualquier persona con conocimientos básicos en Python y ML que desee aprender técnicas innovadoras de representación de datos.

Report abuse