Módulos/Asignaturas del Curso

Módulo/Asignatura 1. Python: Manipulación y Visualización de Datos y Modelos de Aplicación

Número de horas: 28,00 Horas

Modalidad de impartición: A distancia

Fechas de inicio-fin: 23/05/2023 - 06/06/2023

Horario: Estudios a distancia, Módulo/Asignatura sin horario

Contenido:

(Horario: de 17 a 21 horas)

Sesión 1: Introducción a Python I
Características del lenguaje
Formas de trabajar en Python: Anaconda y Spyder
Objetos básicos de Python: Listas, tuplas, cadenas y diccionarios.
Clases en Python.

Sesión 2: Introducción a Python II
Control flujo (if-else, bucles)
Declaración de funciones y funciones nativas
Librerías y Módulos
Manejo de archivos básico

Sesión 3: Trabajando con Arrays (tensores) y Visualización de datos I
Definición, manipulación y operaciones con Arrays de numpy.
Definición, manipulación y operaciones con tensores de tensorflow.
Creación de gráficas con Matplotlib.
Graficas de dispersión, barras, superficies, etc.

Sesión 4: Manipulación de datos I
Introducción a Pandas
Operaciones con dataframes
Fuentes de datos: csv, excel, .zip, html, json, base de datos, APIs

Sesión 5: Manipulación de datos II y Visualización de datos II
Ejemplos de dataset reales para machine learning
Limpiar datos: filtrado, falta de valores, detección de outliers
Visualización de datasets con Seaborn

Sesión 6: Introducción a Machine Learning
Introducción machine learning (aprendizaje supervisado y aprendizaje no supervisado).
Transformaciones de los datos: normalización, escalado, one-hot encoding, pipelines.
Regresión y Clasificación.
Ajustes de modelos
Ejemplos prácticos

Sesión 7: Ejemplos prácticos de preprocesamiento de datos reales y Machine Learning
Preprocesamiento y visualización con dataset ejemplo
Ajustes de modelos
Ejemplos prácticos

Módulo/Asignatura 2. Deep Learning: Redes Densas, Redes Convolucionales, Autoencoders y Redes Recurrentes

Número de horas: 36,00 Horas

Modalidad de impartición: A distancia

Fechas de inicio-fin: 07/06/2023 - 27/06/2023

Horario: Estudios a distancia, Módulo/Asignatura sin horario

Contenido:

(Horario: de 17 a 21 horas)

Sesión 8: El clasificador logístico
Fundamentos del clasificadores lineales y clasificador logístico
Aplicación: análisis de sentimiento
Overfitting y regularización L1 y L2
Ejemplos prácticos

Sesión 9: Introducción a Deep Learning con Keras I
El perceptrón como clasificador logístico
Redes neuronales profundas
Forward and backward propagation
Definición de modelos secuencias con Keras
Ejemplos de redes densas

Sesión 10: Introducción a Deep Learning con Keras II
Consideraciones prácticas en redes neuronales: tamaño de los datasets y normalización
Técnicas de regularización en redes neuronales: L1, L2, Dropout, data augmentation y early stoipping
Inicialización de los pesos
Algoritmos de optimización en redes neuronales
Ejemplos prácticos

Sesión 11: Redes neuronales convolucionales I
Introducción a computer visión: filtros convolucionales
La capa convolucional
Construcción de redes convolucionales en Keras
Técnicas de data augmentation en Keras
Redes ejemplo: Lenet-5, AlexNet, VGG, ResNet e Inception

Sesión 12: Redes neuronales convolucionales II
Transfer Learning
Redes Siamesas
Transferencia de estilo
Ejemplos prácticos

Sesión 13: Autoencoders I
Introducción
Modelos Functional API en Keras
Autoencoders simles
Autoencoders variacionales
Ejemplos prácticos


Sesión 14: Autoencoders II
Redes generativas Adversarias
Capas Upsampling y convolución traspuesta
Programación: Eager execution en Tensorflow
Dificultad de entrenamiento de las GAN: colapso modal y vanishing gradient
Ejemplos prácticos

Sesión 15: Redes Neuronales Recurrentes RNN I
Introducción a modelos secuenciales
La capa RNN
Modelos GRU y LSTM
Modelos Bidireccionales y con capas ocultas
Definición de las RNN en Keras
Ejemplos prácticos

Sesión 16: Redes Neuronales Recurrentes RNN II
Análisis de Series temporales mediante redes recurrentes
Procesamiento del lenguaje natural mediante redes recurrentes