Especialización en Deep Learning
Especialización en Deep Learning
Deep Learning Specialization. Master Deep Learning, and Break into AI

Programa especializado Aprendizaje profundo

Acerca de este Programa Especializado

Si te interesa incursionar en el mundo de la Inteligencia Artificial, este ciclo de cursos te ayudará a hacerlo. Deep Learning es una de las habilidades más requeridas en el área de la tecnología. Te ayudaremos a ser un Sr. Engineer en Deep Learning. En cinco cursos, aprenderás los fundamentos de Deep Learning, aprenderás cómo construir redes neuronales y a liderar proyectos de aprendizaje automático exitosamente. Aprenderás a implementar Redes convolucionales, Recurrentes y LSTM, técnicas como Adam, Dropout, BatchNorm y más.

Trabajaremos en casos de estudio de medicina, autos autónomos, lectura de lenguaje de señas, generación de música y procesamiento de lenguaje natural. Adquirirás un nivel de maestría no solo en la teoría, sino también cómo se aplica en la industria.Enseñaremos Python, TensorFlow y Keras y practicaremos todas esas ideas en dichas herramientas.Varios líderes de primer nivel en Deep Learning compartirán contigo sus historias personales y te darán consejos sobre el desarrollo de tu carrera profesional.


CURSO COMPLETAMENTE EN ESPAÑOL

CURSO 1 - Redes neuronales y aprendizaje profundo
CURSO 2 - Improving Deep Neural Networks: Hyperparameter Tuning, Regularization and Optimization
CURSO 3 - Structuring Machine Learning Projects
CURSO 4 - Convolutional Neural Networks
CURSO 5 - Sequence Models

Especialización en Deep Learning

Comienzo: martes 18 de febrero
Horario: martes de 18.30 a 21.30
Es un curso de 6 meses

LUGAR: Hipólito Yrigoyen 1144 - Primer Piso - Oficina 3

ARANCEL:

- Matrícula de $2.990 y 6 cuotas de $2.990

Si te interesa especializarte en Deep Learning te invitamos a acceder al mejor curso disponible sobre Inteligencia Artificial

La especialización son 5 cursos.

* Fundamentos de Deep Learning
* Ajuste de hiperparámetros, regularización y optimización
* Arquitectura de Proyectos de Machine Learning
* Redes Neuronales Convolucionales - Computer Vision
* Modelos secuenciales - Redes Neuronales Recurrentes - NLP

No hay requisitos iniciales

DETALLE DE LOS CURSOS

CURSO 1 - Redes neuronales y aprendizaje profundo

Este curso te introduce en el mundo de la IA. Los ingenieros en deep learning son muy buscados. Dominar estas técnicas te abrirá numerosas oportunidades profesionales. Deep learning es un nuevo "superpoder".

OBJETIVOS DE APRENDIZAJE

- Entender las tendencias actuales en Deep Learning
- Construir, entrenar y aplicar redes neuronales "fully connected"
- Implementar redes eficientemente vectorizadas
- Entender los parámetros claves de la arquitectura de las ANN

Este curso va bien a fondo, explicando la programación y los fundamentos matemáticos de funcionamiento de las redes neuronales. Después de completarlo, podrás aplicar DL a una aplicación tuya. Si estás buscando un trabajo en IA, podrás responder preguntas básicas en entrevistas. Este es el primer curso de la especialización en Deep Learning.

PROGRAMA

SEMANA 1

Bienvenida a la Especialización en Deep Learning

- Bienvenida
- Introducción a Deep Learning
- ¿Qué es una red neuronal?
- Aprendizaje supervisado con redes neuronales
- ¿Porqué es que ahora Deep Learning está despegando?

SEMANA 2

La Regresión Logística como una Red Neuronal

- Clasificación BInaria
- Regresión Logística
- Función de costo
- Descenso del gradiente
- Derivadas
- Grafos
- Derivadas con un grafo
- Descenso del Gradiente en la Regresión Logística
- Descenso del Gradiente en m ejemplos

Python y Vectorización

- Vectorización
- Vectorizando la Regresión Logística
- Broadcasting en Python
- Explicación sobre la función de costo de la Regresión Logística

SEMANA 3

Redes Neuronales "Shallow"

- Repaso de redes neuronales
- Representación de redes neuronales
- Computando la salida de una red neuronal
- Vectorizando a través de múltiples ejemplos
- Implementación vectorizada
- Funciones de activación
- ¿Porqué necesitamos funciones de activación no lineales?
- Derivadas de las funciones de activación
- Descenso del gradiente para redes neuronales
- Backpropagation
- Inicialización Random

SEMANA 4

Redes Neuronales Profundas

- Red neuronal profunda de L capas
- Forward propagation en una red profunda
- Las correctas dimensiones de las matrices
- ¿Porqué representaciones profundas?
- Bloques constructivos de las redes neuronales profundas
- Forward y backward propagation
- Parámetros vs. hiperparámetros
- ¿Qué tiene todo esto que ver con el funcionamiento del cerebro?

CURSO 2 - Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization

Este curso enseña la "magia" de lograr que Deep Learning funcione bien. En lugar de considerar a DL como una caja negra, entenderás que acciones mejoran el rendimiento y serás capaz de obtener mejores resultados en forma sistemática.También empezaremos a ver TensorFlow.

OBJETIVOS DE APRENDIZAJE

- Entender las mejores prácticas de la industria para construir aplicaciones de deep learning
- Ser capaz de usar efectivamente los "trucos" comunes en ANN: inicialización, regularización L2 y dropout, Batch
normalization, gradient checking.
- Implementar y aplicar una variedad de algoritmos de optimización, como: mini-batch gradient descent, Momentum,
RMSprop y Adam, y chequear su convergencia.
- Entender las nuevas mejores prácticas en la era de DL y cómo configurar train/dev/test sets y analizar bias/variance
- Implementar una red neuronal en TensorFlow.

Este es el segundo curso de la especialización en Deep Learning.

PROGRAMA

SEMANA 1

Configurando tu aplicación de Machine Learning

- Train / Dev / Test sets
- Bias / Variance
- Recetas básicas para Machine Learning

Regularizando tu red neuronal

- Regularización
- ¿Porqué la regularización reduce el overfitting?
- Regularización Dropout
- Entendiendo Dropout
- Otros métodos de regularización.

Configurando tu problema de optimización

- Normalización de inputs
- Vanishing / Exploding gradients
- Inicialización de pesos para ANN
- Aproximación numérica de gradientes
- Gradient checking

SEMANA 2

Algoritmos de optimización

- Mini-batch gradient descent
- Exponentially weighted averages
- Bias correction in exponentially weighted averages
- Gradient descent con momentum
- El algoritmo de optimización Adam
- Learning rate decay
- El problema de los óptimos locales

SEMANA 3

Tuneo de hiperparámetros

- Proceso de tuning
- Usando la escala apropiada
- Tuneo de hiperparámetros en la práctica: Pandas vs. Caviar


Batch Normalization

- Normalizing activations in a network
- Fitting Batch Norm into a neural network
- ¿Porqué funciona Batch Norm?
- Batch Norm en testing

Clasificación multiclase

- Softmax Regression
- Entrenando un clasificador softmax

Introducción a frameworks de programación

- Deep learning frameworks
- TensorFlow


CURSO 3 - Estructurando proyectos de machine learning

Aprenderás a construir proyectos de machine learning exitosos. Si aspirás a ser un líder técnico en IA y saber cómo dirigir a tu equipo de trabajo, este curso te mostrará cómo hacerlo.

OBJETIVOS DE APRENDIZAJE

- Entender cómo diagnosticar errores en un sistema de machine learning
- Ser capaz de priorizar las opciones más prometedoras para reducir el error
- Entender configuraciones complejas de ML (mismatched training/test sets) y comparar y/o superar el rendimiento
humano
- Saber como aplicar end-to-end learning, transfer learning y multi-task learning

Este es el tercer curso de la especialización en Deep Learning.

PROGRAMA

SEMANA 1

Introducción a la estrategia de ML

- Porqué estrategia ML
- Ortogonalización

Configurando tus objetivos

- Una única métrica de evaluación
- Métricas de satisfacción y de optimización
- Train/dev/test distributions
- Tamaño de dev y test sets
- Cuándo cambiar los dev/test sets y las métricas

Comparando con el rendimiento humano

- Porqué el rendimiento humano
- Desvío evitable
- Entendiendo el rendimiento humano
- Superando el rendimiento humano
- Mejorando el rendimiento del modelo

SEMANA 2

Análisis de errores

- Ejecutando análisis de errores
- Limpiando datos mal etiquetados
- Construí primero tu primer sistema. Rápido, después iterás

Mismatched training and dev/test set

- Training y testing en distribuciones diferentes
- Bias and Variance with mismatched data distributions
- Addressing data mismatch

Aprendizaje con tareas múltiples

- Transfer learning
- Multi-task learning

End-to-end deep learning

- Qué es end-to-end deep learning
- Cuando usar end-to-end deep learning

CURSO 4 - Redes Neuronales Convolucionales

En este curso verás cómo construir redes neuronales convolucionales y aplicarlas a imágenes. Gracias a deep learning, computer vision está trabajando mucho mejor que hace unos pocos años y está abriendo el camino para un rango de numerosas y desafiantes aplicaciones como autos autónomos, reconocimiento facial y diagnósticos por imágenes.

OBJETIVOS DE APRENDIZAJE

- Entender cómo construir una CNN, incluyendo variantes como residual networks.
- Saber cómo aplicar CNN a detección visual y tareas de reconocimiento
- Saber usar neural style transfer para generar arte.
- Ser capaz de aplicar estos algoritmos a variedades de imágenes, video y otros datos 2D y 3D

Este es el cuarto curso de la especialización en Deep Learning.

PROGRAMA

SEMANA 1

Redes Neuronales Convolucionales

- Computer Vision
- Detectores de borde
- Padding
- Stride
- Convolutions Over Volume
- Una capa de convolución
- Simple Convolutional Network Example
- Pooling Layers
- CNN Example
- Porqué convoluciones

SEMANA 2

Casos de estudio

- Porqué casos de estudio
- Redes clásicas
- ResNets
- Convoluciones de 1x1
- Inception Network

Consejos prácticos para usar CNNs

- Implementaciones Open-Source
- Transfer Learning
- Data Augmentation
- El estado del arte de Computer Vision

SEMANA 3

Algoritmos de detección

- Object Localization
- Landmark Detection
- Object Detection
- Convolutional Implementation of Sliding Windows
- Bounding Box Predictions
- Intersection Over Union
- Non-max Suppression
- Anchor Boxes
- El algoritmo YOLO
- Region Proposals

SEMANA 4

Face Recognition

- Qué es face recognition
- One Shot Learning
- Siamese Network
- Triplet Loss
- Face Verification and Binary Classification

Neural Style Transfer

- Qué es neural style transfer
- Qué están aprendiendo las ConvNets
- Función de Costo- Content Cost Function
- Style Cost Function
- Generalizaciones 1D y 3D


CURSO 5 - Modelos secuenciales

En este curso aprenderás cómo construir modelos para lenguaje natural, audio y otros tipos de datos secuenciales. Gracias a Deep Learning, los algoritmos para datos secuenciales están trabajando mucho mejor que hace unos pocos años y están abriendo el camino para un rango de numerosas y desafiantes aplicaciones como speech recognition, music synthesis, chatbots, machine translation, natural language understanding y muchas otras.

OBJETIVOS DE APRENDIZAJE

- Entender como construir y entrenar Redes Neuronales Recurrentes (RNNs), y sus variantes como GRUs y LSTMs.
- Aplicar modelos secuenciales a problemas de lenguaje natural, incluyendo sintetización de textos.
- Aplicar modelos secuenciales a aplicaciones de audio, incluyendo speech recognition y music synthesis.

Este es el quinto y último curso de la especialización en Deep Learning.

PROGRAMA

SEMANA 1

Redes Neuronales Recurrentes

- Porqué modelos secuenciales
- Notación
- El modelo de RNN
- Backpropagation a lo largo del tiempo
- Diferentes tipos de RNNs
- Language model and sequence generation
- Sampling novel sequences
- Vanishing gradients with RNNs
- Gated Recurrent Unit (GRU)
- Long Short Term Memory (LSTM)
- Bidirectional RNN
- Deep RNNs

SEMANA 2

Introducción a Word Embeddings

- Word Representation
- Using word embeddings
- Properties of word embeddings
- Embedding matrix

Aprendiendo Word Embeddings: Word2vec & GloVe

- Learning word embeddings
- Word2Vec
- Negative Sampling
- GloVe word vectors

Aplicaciones usando Word Embeddings

- Sentiment Classification
- Debiasing word embeddings

SEMANA 3

Arquitecturas varias sequence to sequence

- Basic Models
- Picking the most likely sentence
- Beam Search
- Refinements to Beam Search
- Error analysis in beam search
- Bleu Score (optional)
- Attention Model Intuition
- Attention Model

Speech recognition - Audio data

- Speech recognition
- Trigger Word Detection

CONCLUSIONES Y AGRADECIMIENTO
Email address *
Apellido *
Your answer
Nombres *
Your answer
Celular (Solo números) *
Your answer
¿Es Graduado FIUBA? *
¿Te interesa participar en la cooperativa de trabajo?
Otra casilla de correo
Your answer
Teléfono Particular
Your answer
Carrera - Facultad - Universidad (En curso SI/NO)
Your answer
Año de Graduación
Your answer
Institución Relacionada
Your answer
Posición que ocupa
Your answer
Comentarios y Sugerencias
Your answer
Submit
Never submit passwords through Google Forms.
This content is neither created nor endorsed by Google. Report Abuse - Terms of Service - Privacy Policy