Cursos de Comprender las Redes Neuronales Profundas

Algunos de nuestros clientes

Código del Curso

undnn

Duración

35 horas (usualmente 5 días, incluidas las pausas)

Requerimientos

Antecedentes en física, matemáticas y programación. Participación en actividades de procesamiento de imágenes.

Los delegados deberían tener una comprensión previa de los conceptos de aprendizaje automático, y deberían haber trabajado en la programación y las bibliotecas de Python.

Descripción General

Este curso comienza con la entrega de conocimientos conceptuales en redes neuronales y, en general, en el algoritmo de aprendizaje automático, aprendizaje profundo (algoritmos y aplicaciones).

Parte-1 (40%) de esta capacitación se centra más en los fundamentos, pero te ayudará a elegir la tecnología adecuada: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

La Parte 2 (20%) de esta capacitación presenta Theano, una biblioteca de Python que hace que escribir modelos de aprendizaje profundo sea fácil.

Parte-3 (40%) de la capacitación estaría ampliamente basada en Tensorflow - 2nd Generation API de la biblioteca de software de código abierto de Google para Deep Learning. Los ejemplos y handson se harían todos en TensorFlow.

Audiencia

Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para sus proyectos de aprendizaje profundo.

Después de completar este curso, los delegados:

  • tener una buena comprensión de las redes neuronales profundas (DNN), CNN y RNN
  • comprender la estructura y los mecanismos de despliegue de TensorFlow
  • ser capaz de llevar a cabo las tareas y configuraciones de entorno / producción / arquitectura
  • ser capaz de evaluar la calidad del código, realizar la depuración, el monitoreo
  • ser capaz de implementar producción avanzada como modelos de entrenamiento, construcción de gráficos y registro


No todos los temas se cubrirán en un salón de clases público con 35 horas de duración debido a la inmensidad del tema.

La duración del curso completo será de alrededor de 70 horas y no de 35 horas.

Programa del Curso

Introducción AI, Machine Learning & Deep Learning

  • Historia, conceptos básicos y aplicaciones usuales de la inteligencia artificial. De las fantasías de este dominio.
  • Inteligencia Colectiva: agregando conocimiento compartido por muchos agentes virtuales
  • Algoritmos genéticos: para desarrollar una población de agentes virtuales por selección
  • Máquina de aprendizaje habitual: definición.
  • Tipos de tareas: aprendizaje supervisado, aprendizaje no supervisado, aprendizaje de refuerzo
  • Tipos de acciones: clasificación, regresión, clustering, estimación de densidad, reducción de dimensionalidad
  • Ejemplos de algoritmos de Machine Learning: regresión lineal, Naive Bayes, Random Tree
  • Aprendizaje automático VS Deep Learning: problemas en los que se mantiene el aprendizaje automático Hoy en día el estado del arte (Random Forests & XGBoosts)

Conceptos básicos de una red neuronal (Aplicación: perceptrón multicapa)

  • Recordatorio de bases matemáticas
  • Definición de una red de neuronas: arquitectura clásica, activación y
  • Ponderación de activaciones anteriores, profundidad de una red
  • Definición del aprendizaje de una red de neuronas: funciones de costo, retro-propagación, gradiente de gradiente estocástico, máxima verosimilitud.
  • Modelado de una red neuronal: modelar datos de entrada y salida de acuerdo con el tipo de problema (regresión, clasificación ...). Maldición de dimensionalidad.
  • Distinción entre datos de múltiples funciones y señal. Elección de una función de costo según los datos.
  • Aproximación de una función por una red de neuronas: presentación y ejemplos
  • Aproximación de una distribución por una red de neuronas: presentación y ejemplos
  • Aumento de datos: cómo equilibrar un conjunto de datos
  • Generalización de los resultados de una red de neuronas.
  • Inicialización y regularización de una red neuronal: regularización L1 / L2, normalización de lotes
  • Algoritmos de optimización y convergencia

Herramientas estándar ML / DL

  • Se planifica una presentación simple con ventajas, desventajas, posición en el ecosistema y uso.
  • Herramientas de gestión de datos: Apache Spark, Apache Hadoop Tools
  • Aprendizaje automático: Numpy, Scipy, Sci-kit
  • Armazones DL de alto nivel: PyTorch, Keras, Lasagne
  • Marcos DL de bajo nivel: Theano, Torch, Caffe, Tensorflow

Redes Neuronales Convolucionales (CNN).

  • Presentación de los CNN: principios fundamentales y aplicaciones
  • Funcionamiento básico de una CNN: capa convolucional, uso de un núcleo,
  • Relleno y zancada, característica de generación de mapas, agrupación de capas. Extensiones 1D, 2D y 3D.
  • Presentación de las diferentes arquitecturas CNN que trajeron el estado del arte en la clasificación
  • Imágenes: LeNet, Redes VGG, Red en red, Inicio, Resnet. Presentación de las innovaciones producidas por cada arquitectura y sus aplicaciones más globales (Convolución 1x1 o conexiones residuales)
  • Uso de un modelo de atención.
  • Aplicación a un caso de clasificación común (texto o imagen)
  • CNNs para generación: súper resolución, segmentación pixel-a-pixel. Presentación de
  • Principales estrategias para aumentar los mapas de características para la generación de imágenes.

Redes neuronales recurrentes (RNN).

  • Presentación de RNN: principios y aplicaciones fundamentales.
  • Funcionamiento básico del RNN: activación oculta, retro-propagación a través del tiempo, versión desplegada.
  • Evoluciones hacia las Unidades Recurrentes Cerradas (GRU) y LSTM (Memoria a Largo Plazo Larga).
  • Presentación de los diferentes estados y las evoluciones traídas por estas arquitecturas
  • Convergencia y problemas de gradiente de desvanecimiento
  • Arquitecturas clásicas: Predicción de una serie temporal, clasificación ...
  • RNN Encoder Decoder type architecture. Uso de un modelo de atención.
  • Aplicaciones NLP: codificación de palabras / caracteres, traducción.
  • Aplicaciones de video: predicción de la siguiente imagen generada de una secuencia de video.

Modelos generacionales: Variable AutoEncoder (VAE) y Generative Adversarial Networks (GAN).

  • Presentación de los modelos generacionales, enlace con los CNN
  • Auto-encoder: reducción de dimensionalidad y generación limitada
  • Auto-encoder variable: modelo generacional y aproximación de la distribución de un dado. Definición y uso del espacio latente. Truco de reparametrización Aplicaciones y límites observados
  • Redes de adversarios generativos: Fundamentos.
  • Arquitectura de red dual (Generador y discriminador) con aprendizaje alternativo, funciones de costos disponibles.
  • Convergencia de un GAN y dificultades encontradas.
  • Convergencia mejorada: Wasserstein GAN, Began. Distancia de movimiento de tierra
  • Aplicaciones para la generación de imágenes o fotografías, generación de texto, super-resolución.

Aprendizaje de refuerzo profundo.

  • Presentación del aprendizaje de refuerzo: control de un agente en un entorno definido
  • Por un estado y posibles acciones
  • Uso de una red neuronal para aproximar la función de estado
  • Deep Q Learning: reproducción de experiencia y aplicación al control de un videojuego.
  • Optimización de la política de aprendizaje. En política && fuera de política. Arquitectura crítica del actor. A3C.
  • Aplicaciones: control de un solo videojuego o sistema digital.

Parte 2 - Theano para el aprendizaje profundo

Fundamentos de Theano

  • Introducción
  • Instalacion y configuracion

Funciones de Theano

  • entradas, salidas, actualizaciones, datos

Entrenamiento y optimización de una red neuronal usando Theano

  • Modelado de redes neuronales
  • Regresión logística
  • Capas ocultas
  • Entrenando una red
  • Computación y Clasificación
  • Mejoramiento
  • Pérdida de registro

Probando el modelo

Parte 3 - DNN usando Tensorflow

Conceptos básicos de TensorFlow

  • Creación, inicialización, almacenamiento y restauración de variables de TensorFlow
  • Alimentando, leyendo y precargando los datos de TensorFlow
  • Cómo usar la infraestructura de TensorFlow para entrenar modelos a escala
  • Visualización y evaluación de modelos con TensorBoard

Mecánica TensorFlow

  • Prepare los datos
  • Descargar
  • Entradas y marcadores de posición
  • Construye los GraphS
    • Inferencia
    • Pérdida
    • Formación
  • Entrenar el modelo
    • La gráfica
    • La sesión
    • Train Loop
  • Evaluar el modelo
    • Construye el Gráfico Eval
    • Salida Eval

El Perceptron

  • Funciones de activación
  • El algoritmo de aprendizaje perceptron
  • Clasificación binaria con el perceptrón
  • Clasificación de documentos con el perceptrón
  • Limitaciones del perceptrón

Desde Perceptron hasta Support Vector Machines

  • Kernels y el truco del kernel
  • Máxima clasificación de márgenes y vectores de soporte

​​​​​​Redes neuronales artificiales

  • Límites de decisión no lineal
  • Feedforward y feedback redes neuronales artificiales
  • Perceptrones multicapa
  • Minimizando la función de costo
  • Propagación hacia adelante
  • Reproducción posterior
  • Mejorando la forma en que las redes neuronales aprenden

Redes neuronales convolucionales

  • Metas
  • Arquitectura modelo
  • Principios
  • Organización de código
  • Lanzamiento y entrenamiento del modelo
  • Evaluar un modelo

Introducciones básicas que se darán a los módulos a continuación (se brindará una breve introducción en función de la disponibilidad de tiempo):

Tensorflow: uso avanzado

  • Enhebrado y colas
  • Distribuido TensorFlow
  • Escribir documentación y compartir su modelo
  • Personalizar lectores de datos
  • Manipulando archivos de modelo de TensorFlow

TensorFlow Sirviendo

  • Introducción
  • Tutorial de servicio básico
  • Tutorial de servicio avanzado
  • Sirviendo Tutorial de Modelo de Inicio

Testimonios

★★★★★
★★★★★

Categorías Relacionadas

Cursos Relacionados

Promociones

Descuentos en los Cursos

Respetamos la privacidad de su dirección de correo electrónico. No transmitiremos ni venderemos su dirección a otras personas.
En cualquier momento puede cambiar sus preferencias o cancelar su suscripción por completo.

is growing fast!

We are looking to expand our presence in Panama!

As a Business Development Manager you will:

  • expand business in Panama
  • recruit local talent (sales, agents, trainers, consultants)
  • recruit local trainers and consultants

We offer:

  • Artificial Intelligence and Big Data systems to support your local operation
  • high-tech automation
  • continuously upgraded course catalogue and content
  • good fun in international team

If you are interested in running a high-tech, high-quality training and consulting business.

Apply now!

Este sitio en otros países / regiones