CURSO DE
BROCHURE CAPACITACIÓN
DEEP LEARNING CON PYTHON
En vivo - virtual 24 horas académicas
PROYECCIÓN SOCIAL
FIM - UNI
Presentación DEEP LEARNING Curso de
CON PYTHON capacitación
¿En qué consiste el curso?
El curso Deep Learning con Python ofrece una introducción sólida a las redes neuronales profundas,
su arquitectura y aplicaciones prácticas. Se cubrirán desde conceptos básicos hasta modelos avanzados,
incluyendo el uso de bibliotecas como TensorFlow y PyTorch. Los participantes aprenderán a construir,
entrenar y evaluar modelos de Deep Learning para problemas del mundo real, como procesamiento de
imágenes, NLP y predicción de series temporales.
¿Para quiénes esta dirigido el curso?
• Este curso está diseñado para profesionales y estudiantes de todas las áreas.
• Desarrolladores que desean implementar modelos de aprendizaje profundo en sus proyectos.
• Investigadores y académicos interesados en aplicar Deep Learning en sus estudios.
• Cualquier persona con conocimientos básicos de Python y Machine Learning que quiera profundizar en
redes neuronales.
Objetivo del curso
Comprender la teoría detrás de las redes neuronales y su entrenamiento.
Implementar modelos de Deep Learning utilizando TensorFlow y PyTorch.
Aplicar técnicas avanzadas como transfer learning y optimización de hiperparámetros.
Desplegar modelos en producción para resolver problemas del mundo real.
Presentación DEEP LEARNING Curso de
CON PYTHON capacitación
¿Por qué debo tomar el curso?
• Aprenderás los fundamentos y aplicaciones del Deep Learning con herramientas líderes en la industria.
• Obtendrás experiencia práctica en la implementación de modelos con TensorFlow y PyTorch.
• Podrás aplicar Deep Learning en diversas áreas como visión por computadora, procesamiento de lenguaje
natural y series temporales.
Metodología
• Clases teóricas y prácticas con ejemplos en vivo.
• Uso de notebooks en Google Colab para prácticas sin necesidad de una GPU propia.
• Proyectos prácticos aplicados en diferentes áreas.
• Evaluaciones y ejercicios para reforzar el aprendizaje.
• Acceso a material complementario y recursos adicionales.
Requisitos para llevar el curso
• Conocimientos básicos de Python y manipulación de datos con librerías como NumPy y Pandas.
• Familiaridad con conceptos de Machine Learning.
• Ganas de aprender e interés en Inteligencia Artificial y redes neuronales.
DEEP LEARNING Curso de
TEMARIO CON PYTHON capacitación
1 Introducción al Deep Learning
Conceptos Básicos y Definiciones:
• ¿Qué es Deep Learning? Fundamentos teóricos y diferencias respecto al Machine Learning tradicional.
• Recorrido histórico: desde las primeras ideas de redes neuronales hasta los modelos profundos
actuales.
Áreas de Aplicación y Tendencias:
• Ejemplos en visión por computadora, reconocimiento de voz y procesamiento de lenguaje natural.
• Impacto de Deep Learning en la industria y tendencias futuras.
Fundamentos y Arquitecturas
2 de Redes Neuronales
Unidad Básica: La Neurona y el Perceptrón:
Funcionamiento de la neurona artificial, funciones de activación (sigmoide, ReLU, tanh, etc.).
Arquitecturas Clásicas:
• Redes Multicapa (MLP): Forward propagation, backpropagation y optimización.
Pre-Entrenamiento No Supervisado: De DBN a Autoencoders:
• Deep Belief Networks (DBN):
• Introducción a las DBN como uno de los primeros métodos para preentrenar redes profundas de forma no supervisada,
• aprovechando máquinas de Boltzmann restringidas.
• Limitaciones de las DBN: complejidad en el entrenamiento y dependencia de procesos en dos etapas
• (preentrenamiento y ajuste fino).
Evolución a Autoencoders:
• Surgimiento de los autoencoders como una alternativa más directa para aprender representaciones eficientes y
• reducir dimensionalidad.
• Variantes modernas (autoencoders convolucionales y variacionales) que han superado algunas limitaciones de las DBN.
DEEP LEARNING Curso de
TEMARIO CON PYTHON capacitación
Redes Neuronales Convolucionales (CNN)
3 y Transfer Learning
Fundamentos de las CNN:
• Arquitectura básica: capas convolucionales, de pooling y completamente conectadas.
• Ventajas de las CNN en tareas de procesamiento y análisis de imágenes.
Evolución en la Visión Computacional:
• Limitaciones de las primeras CNN (requerimientos de grandes volúmenes de datos y dificultades para entrenar
redes muy profundas).
• Desarrollo de arquitecturas más sofisticadas (como VGG, ResNet, etc.) y la aparición del Transfer Learning para
aprovechar modelos preentrenados y adaptar soluciones a nuevas tareas.
Redes Neuronales Recurrentes (RNN)
4 y sus Evoluciones
Modelos Secuenciales Tradicionales (RNN):
• Principios básicos y aplicaciones en procesamiento de secuencias y series temporales.
• Problemas comunes: vanishing gradients y dificultad para capturar dependencias a largo plazo.
Evolución a LSTM y GRU:
• Introducción de LSTM (Long Short-Term Memory) y redes GRU como soluciones para superar las limitaciones
de las RNN tradicionales.
• Ejemplos prácticos en tareas de predicción y modelado secuencial (como procesamiento de lenguaje y análisis
de series temporales).
DEEP LEARNING Curso de
TEMARIO CON PYTHON capacitación
Técnicas Avanzadas y
5 Modelos Especializados
Optimización y Regularización en Redes Profundas:
• Técnicas avanzadas como Batch Normalization, Dropout y nuevos optimizadores.
Modelos Generativos y Representación de Datos:
• Autoencoders Avanzados:
Revisión de los autoencoders modernos, su aplicación en reducción de dimensionalidad y generación de datos.
• Generative Adversarial Networks (GANs):
Introducción a GANs y su papel en la generación de imágenes y otros tipos de datos.
Contextualización Histórica:
• Cómo la experiencia con DBN y las limitaciones de las técnicas anteriores impulsaron el desarrollo de estos
modelos generativos y de representación.
Ética, Consideraciones Prácticas y
6 Proyecto Integrador
Consideraciones Éticas y Desafíos Técnicos:
• Discusión sobre problemas de overfitting, interpretabilidad y sesgos en modelos de Deep Learning.
• Reflexión sobre el impacto social y la responsabilidad en el desarrollo y despliegue de tecnologías de
Deep Learning.
Proyecto Integrador:
• Desarrollo de un caso de estudio real que combine varios de los conceptos aprendidos (por ejemplo, la
implementación de un modelo de clasificación de imágenes o de series temporales utilizando Transfer Learning
y/o autoencoders).
• Presentación de los resultados y discusión sobre cómo las limitaciones de las arquitecturas previas llevaron a
la adopción de las soluciones modernas implementadas.
DEEP LEARNING Curso de
BENEFICIOS CON PYTHON capacitación
Clases en vivo Metodología de
en modalidad virtual enseñanza práctica
Acceso a las grabaciones Docente altamente
de las clases capacitado
DEEP LEARNING Curso de
DOCENTE CON PYTHON capacitación
Juan A. Chipoco Vidal
Consultor Internacional en Nuevas Tecnologías (Peru Bolivia UK Bahrain USA)
Especialista en:
Sistemas Operativos: Administración de sistemas UNIX/Linux, varios 'sabores'
, incluidos Red Hat, Centos, Mandrake, Fedora, Suse, Ubuntu, Debian, Slackware, etc.
Administración de sistemas Windows 2010/20019. Mac, Plan 9 de los Laboratorios Bell.
Programación:
Estructura de datos, métodos numéricos, algoritmos de programación, teoría de
compiladores, máquinas de Turing. Deep Learning, programación Unix avanzada en
lenguaje C/C++, sockets, multihilo, mutex. Marca, CVS. Mis lenguajes de alto nivel incluyen
C/C ++, Java, Pascal, Perl, Python, PHP, Scheme, C# .NET Core, Visual Prolog, HTML, SWIFT,
ANDROID varios BASICS, LOGO, AWK, modelado UML, shell scripting. Mis ensambladores
incluyen Z80, 8088 y 80x86. VI, EMACS
DEEP LEARNING Curso de
CERTIFICAción CON PYTHON capacitación
CERTIFICADO
a nombre del Centro de Proyección Social
y Responsabilidad Social de
la Facultad de Ingeniería Mecánica
de la Universidad Nacional de Ingeniería
PROYECCIÓN SOCIAL
FIM - UNI
961 764 194
cursosproyecfim@[Link]
[Link]