- Comprender la arquitectura de redes neuronales profundas y su aplicación en problemas supervisados.
- Analizar técnicas avanzadas de optimización para mejorar el rendimiento de modelos supervisados.
- Implementar redes neuronales convolucionales para tareas complejas de clasificación de imágenes.
- Explorar métodos de aprendizaje no supervisado para descubrir patrones ocultos en los datos.
- Desarrollar habilidades para ajustar hiperparámetros en redes neuronales profundas.
- Aplicar técnicas de reducción de dimensionalidad en conjuntos de datos grandes y complejos.
- Evaluar modelos de deep learning para asegurar su eficiencia y precisión en problemas reales.
UNIDAD DIDÁCTICA 1. DEEP LEARNING SUPERVISADO (I) Introducción y repaso de Redes Neuronales Artificiales (ANN) Redes Neuronales Convolucionales (CNN): Introducción y casos de uso CNN: Intuición CNN: Descripción matemática CNN: Ejemplo de programación con Python y TensorFlow Ejercicio: Visión artificial con CNN UNIDAD DIDÁCTICA 2. DEEP LEARNING SUPERVISADO (II) Repaso de Series Temporales Redes Neuronales Recurrentes (RNN): Introducción y casos de uso RNN: Intuición RNN: Descripción matemática RNN: Ejemplo de programación con Python Y TensorFlow Ejercicio: Series Temporales con RNN UNIDAD DIDÁCTICA 3. DEEP LEARNING NO SUPERVISADO (I) Repaso de Sistemas de Recomendación Deep Bolztmann Machines (DBM): Introducción y casos de uso [Video] DBM: Intuición DBM: Descripción matemática DBM: Ejemplo de programación con Python y TensorFlow Ejercicio: Sistema de Recomendación con DBM UNIDAD DIDÁCTICA 4. DEEP LEARNING NO SUPERVISADO (II) Detección de anomalías Self-Organizing Maps (SOM): Introducción e intuición SOM: Descripción matemática AutoEncoders (AE): Introducción e intuición AE: Descripción matemática Ejercicio: Detección de anomalías con SOM y AE