Inteligencia Artificial y Deep Learning desde cero en Python

¡Bienvenido a este curso sobre los fundamentos del **Deep Learning** y más concretamente de las Redes Neuronales Artificiales Profundas utilizando Python 3 y las librerías más populares como Sklearn, Tensorflow 2.0 o Keras! Mi nombre es Santiago Hernández y voy a ser vuestro instructor a lo largo de este programa formativo, tenéis más información sobre mí en la biografía o en el vídeo “Presentación del instructor”. A lo largo de este curso sobre **Inteligencia Artificial y Deep Learning** presentaré, desde un nivel muy básico y al alcance de todo tipo de perfiles, los fundamentos teóricos y matemáticos que se necesitan para comprender en detalle el funcionamiento de los algoritmos de Deep Learning y las librerías (Tensorflow, Keras ...) más importantes en la actualidad. Para ello, utilizaré el enfoque que mejores resultados me ha proporcionado al impartir este tipo de clases en diferentes universidades, un enfoque práctico, en el que veréis como se desarrollan las diferentes funciones y ecuaciones matemáticas de mi puño y letra. Representaré gráficamente todas las intuiciones matemáticas en las que se fundamenta la Inteligencia Artificial y más concretamente el Deep Learning, de manera que, cualquier persona pueda comprenderlas y avanzar con las siguientes secciones. Este no es un curso para matemáticos, es un curso para todos aquellos que quieren adentrarse en el dominio del aprendizaje profundo construyendo unas bases sólidas que le permitan solucionar problemas reales mediante la implementación de las principales técnicas existentes en Python 3 con Tensorflow 2.0 y Keras y comprender aquellos algoritmos que surjan en el futuro. A medida que vayamos construyendo y comprendiendo estos fundamentos teóricos, iremos aplicándolos a mas de 30 casos de uso prácticos. Yo soy un firme creyente de que aquellas cosas que se aprenden de manera teórica deben saberse aplicar a casos de uso prácticos para sacarles todo el rendimiento posible, y esto es exactamente lo que haremos a lo largo del curso. En estos casos prácticos, trataremos de resolver diferentes problemas que existen en la actualidad mediante la aplicación de Machine Learning, Deep Learning y Data Science utilizando las últimas librerías disponibles, como, por ejemplo, Sklearn, Keras o Tensorflow mediante el lenguaje de programación Python 3. Por supuesto, desde el primer momento dispondréis de todo el código fuente y de la posibilidad de utilizarlo para vuestros propios desarrollos. La inteligencia Artificial y el Deep Learning, han sido percibidas en muchas ocasiones como disciplinas complejas al alcance de unos pocos profesionales. Este curso ha sido creado para refutar esta creencia y demostrar que cualquier persona con suficiente interés puede convertirse en un profesional de la Inteligencia Artificial y las redes neuronales artificiales profundas, inscríbete ahora y compruébalo tú mismo. Temario del curso 1. Bienvenida al curso de Deep Learning y Redes Neuronales Artificiales Profundas 2. Motivación 3. Entorno de aprendizaje: Jupyter Notebook, Anaconda, Python 3, Google Colaboratory 4. ¿Qué es el Deep Learning?: End-to-end Learning, Machine Learning 5. Introducción a las Redes Neuronales Artificiales: Neurona de Mcculloch y Pitts 6. El Perceptrón 7. Redes Neuronales Artificiales Profundas: Perceptrón Multicapa 8. Función de error y función de optimización: Binary Crossentropy, Gradient Descent 9. Entrenamiento de Redes Neuronales Artificiales Profundas: Forward Propagation, Backward Propagation 10. Redes Neuronales Artificiales Profundas: Implementación Vectorizada 11. Regresión y Clasificación con Redes Neuronales Artificiales Profundas: Softmax Regression 12. Introducción a Keras con Python 3 13. Funciones de activación: sigmod, tanh, relu, leaky relu... 14. Funciones de optimización: Mini-Batch Gradient Descent, Stochastic Gradient Descent, Momentum Gradient Descent, RMSprop, Adam 15. Selección de hiperparámetros: Keras tuner 16. Tensorflow 2.0: Implementando Redes Neuronales Artificiales profundas 17. Consideraciones de un proyecto de Deep Learning: Overfitting, Underfitting, Train Set, Validation Set, Test Set, Regularización, Dropout, Normalización... 18. Despedida del curso de Deep Learning