Inteligencia Artificial y Deep Learning desde cero en Python [Udemy Coupon Code]

"When you purchase something through one of the links on our site, we may earn an affiliate commission at no additional cost to you."

Limited offer hurry up

Inteligencia Artificial y Deep Learning desde cero en Python is a top-rated Udemy course taught by Santiago Hernández — with over 20917+ students enrolled since it launched.

Aprende Inteligencia Artificial y Deep Learning con Python, Tensorflow y Keras, conviértete en experto en Deep Learning.

Don’t wait! This special offer won’t last long.

Click the button below to Get up to 100% OFF the regular price.

(The discount will be applied automatically at checkout — no code needed!)

Hurry — this discount on Inteligencia Artificial y Deep Learning desde cero en Python won’t be around forever. Take action now!

100% off Udemy coupon code

Why enroll in the Inteligencia Artificial y Deep Learning desde cero en Python Udemy Course?

  • Udemy gives you access to over 250,000 courses and 85,000 expert instructors worldwide.
  • Courses are led by experienced professionals dedicated to delivering a high-quality learning experience.
  • Many of Udemy’s most popular courses have hundreds of thousands of students enrolled.
  • Udemy offers online coupons, promo codes and voucher for the majority of its courses.

Inteligencia Artificial y Deep Learning desde cero en Python Udemy Promotion code

Course Sections
Bienvenida
Contexto del Deep Learning y Motivación
Entorno de aprendizaje
¿Qué es el Deep Learning?
Introducción a las Redes Neuronales Artificiales (RNAs)
El Perceptrón
Redes Neuronales Artificiales Profundas
Función de error y de optimización en RNAs
Entrenamiento de Redes Neuronales Artificiales Profundas
[Opcional] Implementación Vectorizada de RNAs
Regresión y Clasificación con RNAs
Introducción a Keras
Funciones de activación
Funciones de Optimización
Selección de hiperparámetros
Tensorflow 2.0
Consideraciones de un proyecto de Deep Learning
Despedida del curso
Course Description
Requirements
Conocimientos básicos del lenguaje de programación 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

Bienvenida al curso de Deep Learning y Redes Neuronales Artificiales Profundas

Motivación

Entorno de aprendizaje: Jupyter Notebook, Anaconda, Python 3, Google Colaboratory

¿Qué es el Deep Learning?: End-to-end Learning, Machine Learning

Introducción a las Redes Neuronales Artificiales: Neurona de Mcculloch y Pitts

El Perceptrón

Redes Neuronales Artificiales Profundas: Perceptrón Multicapa

Función de error y función de optimización: Binary Crossentropy, Gradient Descent

Entrenamiento de Redes Neuronales Artificiales Profundas: Forward Propagation, Backward Propagation

Redes Neuronales Artificiales Profundas: Implementación Vectorizada

Regresión y Clasificación con Redes Neuronales Artificiales Profundas: Softmax Regression

Introducción a Keras con Python 3

Funciones de activación: sigmod, tanh, relu, leaky relu…

Funciones de optimización: Mini-Batch Gradient Descent, Stochastic Gradient Descent, Momentum Gradient Descent, RMSprop, Adam

Selección de hiperparámetros: Keras tuner

Tensorflow 2.0: Implementando Redes Neuronales Artificiales profundas

Consideraciones de un proyecto de Deep Learning: Overfitting, Underfitting, Train Set, Validation Set, Test Set, Regularización, Dropout, Normalización…

Despedida del curso de Deep Learning