Diploma emitido por FUNDAE
+ Ampliar
Descargas
Catálogo de cursos 2026+5.000 cursos bonificablesRespondemos en 3 hs. promedio
Calendario: Flexible.
Fecha disponible: Inmediata.
Porcentaje de Bonificación: 100%
Diploma acreditativo emitido por FUNDAE.
Certificado acreditativo válido para numerosos concursos y oposiciones.
Temario Personalizado.
Modalidades: teleformación, aula virtual y MIXTA
| La duración del curso de Inteligencia Artificial y Deep Learning en Python es de 50 horas,
acreditadas en el Diploma del mismo. PLAZO DE REALIZACIÓN: El plazo se puede establecer según las necesidades del alumno o del plan de formación de la empresa. |
| 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. |
| 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. |
NOTA:
Trabajamos con la metodologia 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 mas cursos en un plan de formacion a su medida. Si este es su caso consultenos, esta metodologia ofrece un aprovechamiento maximo de la formacion 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.
Inicio
venv).pip install tensorflow keras.A lo largo del curso construyes modelos reales con datos reales. Cada práctica tiene un objetivo concreto y código funcional que puedes reutilizar en tus propios proyectos.
Estos son los tropiezos más frecuentes al aprender Deep Learning con Python y TensorFlow. Reconocerlos a tiempo te ahorra horas de depuración.
venv o entorno Conda por proyecto y actívalo antes de instalar nada.(100,) con (100, 1) provoca errores silenciosos o fallos en capas Dense. Usa array.shape y np.expand_dims cuando sea necesario.StandardScaler.lr alto hace que la pérdida oscile sin bajar; uno muy bajo tarda eternamente. Empieza con 1e-3 con Adam y ajusta con Keras Tuner.model.fit con lógica manual de backprop: si usas Keras no necesitas calcular gradientes a mano. Hacerlo en paralelo genera comportamientos inesperados en los pesos.tf.random.set_seed(42) y np.random.seed(42) al inicio de cada notebook..gitignore para la carpeta de datos y descárgalos con un script o desde Kaggle.EarlyStopping de Keras desde el principio.Recursos gratuitos y herramientas que complementan el curso y te acompañan mucho más allá de él.
python -m venv env, pip freeze > requirements.txt, pip install -r requirements.txt..gitignore perfecto para proyectos Python/Jupyter en segundos.
Artículos publicados sobre Inteligencia Artificial y Deep Learning en Python
|
Por Ana Maria Gonzalez
Inteligencia Artificial y Deep Learning: Aplicaciones Transformadoras en 2025 El Deep Learning se ha consolidado como una de las tecnologías más disruptivas del 2025, permitiendo a empresas y profesionales analizar grandes volúmenes de datos y desarrollar modelos predictivos con una precisión sin precedentes. Sectores como la salud, finanzas y tecnología están utilizando estas herramientas para optimizar procesos complejos y mejorar la toma de decisiones estratégicas. Plataformas como TensorFlow y Keras facilitan la implementación de redes neuronales profundas y la automatización de tareas avanzadas. Empresas líderes como Google y Microsoft están aplicando estas soluciones para mejorar la eficiencia operativa, desde la predicción de demanda hasta la detección de fraudes, demostrando el valor estratégico del Deep Learning. En el ámbito empresarial, el procesamiento de lenguaje natural permite analizar comentarios de clientes, automatizar atención y extraer información relevante en tiempo real. Además, la visión por computadora se aplica para monitorizar procesos productivos o identificar patrones complejos, aumentando la productividad y la calidad de los servicios ofrecidos. La adopción de IA y Deep Learning no solo transforma operaciones, sino que también impulsa la innovación, permitiendo crear soluciones personalizadas y anticiparse a las tendencias del mercado. Cada vez más startups y corporaciones españolas integran estas tecnologías para mantenerse competitivas y generar un impacto real en sus sectores. |
|---|
🔍 Buscar curso
+5.000 cursos disponibles
📰 Blog del curso
Formación bonificada online para empresas. Ayudamos a equipos a ganar productividad con formación ajustada a las necesidades.
Somos una empresa de formación bonificada especializada en formación online en sus diferentes modalidades: teleformación, aula virtual y formación mixta.
Ayudamos a nuestros clientes a alcanzar una mayor productividad mediante acciones formativas ajustadas a sus necesidades reales.
Formación que transforma equipos. Nos esforzamos por aportar valor: diseñamos itinerarios con objetivos concretos de negocio, medimos la finalización real, y acompañamos a cada alumno hasta el final. Por eso el 95% de quienes empiezan, terminan.
