Logotipo Notebook
Logotipo Tablet
Logo Ciberaula
Teléfono de Contacto

Curso acreditado de Inteligencia Artificial y Deep Learning en Python


Ventajas de nuestra formación

visto buenoAcceso al curso las 24 hs. Todos los días de la semana

visto buenoContenidos didácticos de calidad

visto buenoCalendario flexible

visto buenoProfesores especializados

ticket ciberaulaCurso acreditado por FUNDAE

Curso bonificado online

visto buenoAula virtual accesible para PCs, notebook, tablet y smartphone

visto buenoOpción a disponer de asistencia de profesor o sólo acceso a contenidos (autoestudio)

ticket ciberaulaNos ocupamos de toda la gestión de su bonificación

ticket ciberaulaDiploma acreditativo de CIBERAULA

Curso bonificado online
Plazo Flexible
Plazo Flexible

Valore esta página:

Votos: 4.2/5 (33 votos)



Curso online de Inteligencia Artificial y Deep Learning en Python

Cursos bonificados Calendario: Flexible.

FUNDAE cursos Fecha disponible: Inmediata.

Cursos bonificados seguridad social Porcentaje de Bonificación: 100%

Cursos online bonificados Diploma acreditativo emitido por FUNDAE.

Cursos bonificados para empresas Certificado acreditativo para concursos y oposiciones.

cursos virtuales bonificados Temario Personalizado.


¿Por qué es beneficioso para un profesional realizar un curso de Deep Learning?

En la era de la inteligencia artificial, el Deep Learning se ha convertido en una de las tecnologías más avanzadas y con mayor demanda en el ámbito profesional. Este curso permite a los profesionales adquirir habilidades esenciales para implementar redes neuronales profundas y construir modelos predictivos que optimicen el análisis de grandes volúmenes de datos.

Leer más

En la era de la inteligencia artificial, el Deep Learning se ha convertido en una de las tecnologías más avanzadas y con mayor demanda en el ámbito profesional. Este curso permite a los profesionales adquirir habilidades esenciales para implementar redes neuronales profundas y construir modelos predictivos que optimicen el análisis de grandes volúmenes de datos.

El Deep Learning ofrece soluciones innovadoras en áreas como la visión por computadora y el procesamiento del lenguaje natural, lo que puede transformar sectores como la salud, finanzas y tecnología. Además, aprender Deep Learning mejora la competitividad profesional, ya que permite automatizar procesos complejos, mejorar la precisión de los resultados y acelerar la innovación tecnológica. La formación en Deep Learning es una inversión estratégica para el crecimiento y la evolución profesional en el ámbito de la inteligencia artificial.

Leer menos...


Cursos online gratis con certificado Público Objetivo
Este curso está dirigido a estudiantes, profesionales y entusiastas que buscan adquirir o profundizar conocimientos en Inteligencia Artificial y Deep Learning utilizando Python. Es especialmente valioso para aquellos que trabajan en áreas como la tecnología, análisis de datos y ciencia de datos, o para quienes desean aplicar algoritmos de Machine Learning en proyectos reales. Aunque no se requiere un conocimiento avanzado en Deep Learning, es recomendable contar con nociones básicas de Python y su uso en Inteligencia Artificial. El curso proporcionará herramientas esenciales para resolver problemas complejos mediante Redes Neuronales y otras técnicas de IA, aplicadas en casos prácticos.
Plan de Igualdad Empresas Duración
La duración del curso de Inteligencia Artificial y Deep Learning en Python es de 50 horas, acreditadas en el Diploma del mismo.

Fecha de inicio:

Se puede determinar libremente, teniendo en cuenta que en cursos bonificados de formación contínua debe notificarse a FUNDAE con al menos 3 días naturales de antelación a la misma.
empresas de cursos bonificados

Objetivos

El objetivo general del curso es proporcionar a los participantes una comprensión profunda y aplicada de Deep Learning y Redes Neuronales Artificiales utilizando Python y herramientas como TensorFlow y Keras. A lo largo del curso, se cubrirán desde los fundamentos básicos de las redes neuronales hasta la implementación de modelos complejos aplicados a casos reales. Al finalizar, los estudiantes dominarán técnicas avanzadas de Machine Learning y Deep Learning, lo que les permitirá resolver problemas complejos en áreas como la Inteligencia Artificial y el análisis de datos, mejorando su capacidad para aplicar estas herramientas en entornos profesionales y académicos.

Bonificacion

Bonificación

Este curso puede ser bonificado al 100% para la empresa receptora, incluso aunque esta tenga un porcentaje de copago en razón de su número de empleados en plantilla. El coste de la formación se recuperará mediante descuento en el pago de los seguros sociales.
Este descuento será aplicable libremente en cualquier mes del año posterior a la fecha en que haya finalizado la formación. Podrán bonificarse las matrículas de aquellos alumnos que realicen al menos el 75% del curso con éxito.
Modalidades

Modalidades

EN CURSOS ONLINE
Teleformación: En esta modalidad todo el curso se realiza a través de internet, con acceso las 24 hs. todos los días de la semana y plazo máximo de seis meses. No hay actividades como clases a las que el alumno deba asistir en horarios y fechas programados.
Aula virtual: En esta modalidad la formación se imparte mediante clases en directo a través de internet, es decir clases tele-presenciales, que se llevarán a cabo a través de ZOOM, Skype u otra herramienta a convenir.
Modalidad MIXTA: Combinación de las dos modalidades anteriores. Los trabajadores asisten a clases en directo (por ejemplo una a la semana) y entre clases disponen de material para avanzar en el curso en la plataforma. Es la más completa para grupos de trabajadores que realizan un mismo curso.

EN CURSOS PRESENCIALES o SEMI - PRESENCIALES
En esta modalidad los trabajadores realizan el curso asistiendo físicamente a un aula en la que se imparte la formación. Puede ser complementada igualmente con acceso a una plataforma online entre clases. Para esta modalidad se requiere una consulta previa de disponibilidad en la ciudad donde se desee llevar a cabo.
cursos tripartita

Temario


NOTA:

Trabajamos con la metodología de curso personalizado, creada por Ciberaula en 1997. Usted puede solicitar un curso a la medida de sus objetivos, que combine lecciones de 2 o más cursos en un plan de formación a su medida. Si este es su caso consúltenos, esta metodología ofrece un aprovechamiento máximo de la formación en los cursos bonificados para trabajadores.

El temario predefinido del curso online de Inteligencia Artificial y Deep Learning en Python es el siguiente:


1 Introducción

1.1 Presentación del curso


2 Panorama del Deep Learning y Justificación

2.1 Contexto y Motivación del Deep Learning

2.2 Ejemplo: Fake Obama generado con Deep Learning


3 Configuración del Entorno de Trabajo

3.1 Introducción a la sección

3.2 Preparación del entorno local

3.3 Preparación del entorno en la nube

3.4 Descarga de recursos y conjuntos de datos

3.5 Introducción a los vídeos opcionales

3.6 [Opcional] Práctica: Fundamentos de Numpy

3.7 [Opcional] Práctica: Fundamentos de Pandas - Series

3.8 [Opcional] Práctica: Fundamentos de Pandas - DataFrames

3.9 [Opcional] Práctica: Introducción a Matplotlib


4 Conceptos Fundamentales del Deep Learning

4.1 Introducción a la sección

4.2 ¿Qué es el Aprendizaje Automático?

4.3 Aprendizaje de extremo a extremo

4.4 Práctica: Ejemplos sobre Aprendizaje de extremo a extremo

4.5 Definición del Deep Learning

4.6 Aplicaciones y tipos de técnicas de Deep Learning

4.7 Introducción a los vídeos adicionales

4.8 [Opcional] Aprendizaje supervisado

4.9 [Opcional] Aprendizaje no supervisado


5 Fundamentos de las Redes Neuronales

5.1 Introducción a la sección

5.2 Conceptos básicos sobre Redes Neuronales

5.3 Descripción de la neurona de McCulloch y Pitts

5.4 Limitaciones y entradas de la Neurona M-P

5.5 Práctica: Implementación de la Neurona M-P

5.6 Práctica: Diagnóstico de cáncer de mama con Neurona M-P


6 El Perceptrón: Modelo Básico

6.1 Introducción a la sección

6.2 Explicación del Perceptrón

6.3 Comparación entre Neurona M-P y Perceptrón

6.4 Eliminación del threshold en el Perceptrón

6.5 Funcionamiento y notación del Perceptrón

6.6 Funciones de activación del Perceptrón

6.7 Práctica: Visualización del límite de decisión en el Perceptrón

6.8 Creación del modelo del Perceptrón

6.9 Limitaciones del Perceptrón

6.10 Práctica: Clasificación de imágenes


7 Redes Neuronales Multicapa

7.1 Introducción a la sección

7.2 Explicación del Perceptrón Multicapa

7.3 Estructura del Perceptrón Multicapa

7.4 Funcionamiento y notación en redes multicapa

7.5 Componentes clave en el Perceptrón Multicapa

7.6 Funciones de activación en redes multicapa

7.7 Práctica: Límite de decisión en redes multicapa

7.8 Introducción a la Propagación hacia adelante

7.9 Forward Propagation en redes multicapa

7.10 Propagación hacia adelante para entradas múltiples


8 Función de Error y Optimización

8.1 Introducción a la sección

8.2 Definición de la función de error

8.3 Comprensión de la función de error

8.4 Función de error final

8.5 Introducción a las funciones de optimización

8.6 Comprensión de la optimización

8.7 Función de optimización definitiva

8.8 Práctica: Clasificación de dígitos manuscritos


9 Entrenamiento de Redes Neuronales Profundas

9.1 Introducción a la sección

9.2 Explicación del grafo computacional

9.3 Cálculo de derivadas mediante el grafo computacional

9.4 Regla de la cadena

9.5 [Opcional] Simplificación de las derivadas

9.6 Explicación de Backpropagation

9.7 Entrenamiento de una red neuronal simple

9.8 Entrenamiento de una red neuronal profunda

9.9 Práctica: Clasificación de audio (Parte 1)

9.10 Práctica: Clasificación de audio (Parte 2)


10 Implementación Vectorizada de RNAs (Opcional)

10.1 Introducción a la sección

10.2 Fundamentos de la vectorización

10.3 Vectorización de la primera capa oculta

10.4 Vectorización de la segunda capa oculta


11 Clasificación y Regresión con Redes Neuronales

11.1 Introducción a la sección

11.2 Clasificación con Redes Neuronales

11.3 Introducción a la Clasificación Multiclase

11.4 Función de activación Softmax

11.5 Función de error para problemas multiclase

11.6 Entrenamiento del Perceptrón para problemas multiclase

11.7 Regresión con Redes Neuronales


12 Trabajando con Keras

12.1 Introducción a la sección

12.2 Fundamentos de Keras

12.3 Práctica: Implementación de una red neuronal en Keras

12.4 Práctica: Entrenamiento de una red neuronal con Keras

12.5 Práctica: Límite de decisión en una red profunda con Keras

12.6 Práctica: Clasificación de audio en Keras

12.7 Práctica: Regresión en Keras


13 Funciones de Activación en Redes Neuronales

13.1 Introducción a la sección

13.2 Fundamentos de las funciones de activación

13.3 Función de activación Tanh

13.4 Función de activación ReLU

13.5 Comparación entre funciones de activación

13.6 Práctica: Visualización de funciones de activación

13.7 ¿Por qué usar una función de activación?

13.8 Práctica: Justificación de las funciones de activación

13.9 Diferenciabilidad en funciones de activación

13.10 Práctica: Clasificación de sentimientos


14 Métodos de Optimización en Redes Neuronales

14.1 Introducción a la sección

14.2 Introducción al Mini-Batch Gradient Descent

14.3 Práctica: Mini-Batch Gradient Descent

14.4 Stochastic Gradient Descent (SGD)

14.5 Promedio Móvil Exponencial (Parte 1)

14.6 Explicación del Momentum Gradient Descent

14.7 Práctica: Momentum Gradient Descent

14.8 Explicación de RMSprop

14.9 Explicación de la Optimización Adam

14.10 Práctica: Implementación de Adam


15 Selección de Hiperparámetros en Redes Neuronales

15.1 Introducción a la sección

15.2 Definición de hiperparámetros

15.3 Práctica: Selección de hiperparámetros con Keras Tuner

15.4 Selección óptima del número de capas

15.5 Selección óptima del número de neuronas

15.6 Otros hiperparámetros importantes

15.7 Selección de hiperparámetros para la clasificación de texto


16 Introducción a TensorFlow

16.1 Introducción a la sección

16.2 Fundamentos de TensorFlow 2.0

16.3 Práctica: Tensores y operaciones en TensorFlow

16.4 Práctica: Creación de una función de error personalizada

16.5 Práctica: Creación de otros componentes personalizados

16.6 Práctica: Creación de capas personalizadas


17 Aspectos Claves de un Proyecto de Deep Learning

17.1 Introducción a la sección

17.2 Overfitting y Underfitting

17.3 División del dataset en entrenamiento, validación y test

17.4 Explicación de la regularización

17.5 Dropout en Redes Neuronales

17.6 Otros mecanismos de regularización

17.7 Explicación de la normalización

17.8 Práctica: Clasificación de tweets sobre desastres naturales


18 Conclusión del curso

18.1 Despedida del curso.



contacto_express

Respondemos en aproximadamente 3 horas promedio en días laborables.

Nombre:

Email:

Comentario:


Nuestra Sede


Ciberaula

Dirección:
Paseo de la Castellana 91, Planta 4,
Madrid, MAD 280016
España
COB
Teléfono de Contacto: 915303387
Email: