CONTENIDO TEMÁTICO.pdf
- 1. Paquete de 11 cursos sobre inteligencia artificial. Aprende las mejores técnicas de Machine learning , redes neuronales, Deep learning y más. GRATIS GRATIS 3 Cursos Extras 3 Cursos Extras Robótica - Arduino - Raspberry Robótica - Arduino - Raspberry ¡Inversión total de 200 mxn! ¡Inversión total de 200 mxn! ¡Inversión total de 200 mxn! // Primero recibe, después pagas //
- 2. CURSO 1 Qué aprenderás sobre las matemáticas Operaciones básicas de matemáticas Potenciación y sus propiedades Radicación y sus propiedades Orden de operaciones Factorización Acelera tu carrera profesional con más de 31 Clases del Curso de Fundamentos de Matemáticas Recta numérica Principios del álgebra Simbología en el álgebra Propiedades de las ecuaciones Orden de despeje Despejando exponentes y raíces en álgebra ¡Es hora de practicar! Aritmética Principios del álgebra Tu primer reto CONTENIDO TEMÁTICO APRENDERÁS... DURACIÓN Entender fundamentos matemáticos Repasar conceptos básicos de álgebra Entender y graficar funciones matemáticas Desarrollar el pensamiento abstracto a través de ejercicios Desarrolla los pensamientos abstracto y lógico. Domina conceptos básicos de matemáticas y forma las bases para entender temas con mayor grado de dificultad, como machine learning, inteligencia artificial o marketing digital. 3 HORAS DE CONTENIDO 10 HORAS DE PRÁCTICA MATEMÁTICAS PARA LA INTELIGENCIA ARTIFICIAL
- 3. CURSO 1 Polinomios Simplificando polinomios La propiedad distributiva de la multiplicación Desarrollando polinomios Pon a prueba tus conocimientos y simplifica polinomios ¿Qué es una función? Tabulación de funciones Plano Cartesiano ¿Cuáles de las siguientes son funciones? Test línea vertical Funciones lineales Todo se puede graficar ¡Es hora de graficar! Cómo identificar funciones lineales a partir de una ecuación ¿Cuál es la ecuación de las siguientes gráficas? Polinomios Funciones Gráficas Continuación Instructor: Sergio Orduz Requisitos Motivacivación, para este curso no necesitas conocimientos previos o software. MATEMÁTICAS PARA LA INTELIGENCIA ARTIFICIAL
- 4. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL CURSO 2 Introducción a inteligencia artificial 1.1 - Bienvenida al curso 1.2 - ¿Qué es la Inteligencia Artificial? 1.3 - Inteligencia Artificial y su larga historia 1.4 - Retos de la Inteligencia Artificial 1.5 - Agentes inteligentes y resolución de problemas 1.6 - Diferentes área de estudio y aplicaciones en la Inteligencia Artificial. Inteligencia artificial vs machine learning 2.1 - Qué es el Machine Learning y cuál es su lugar en la Inteligencia Artificial 2.2 - Tipos de Machine Learning 2.3 - Machine Learning Supervisado: Caso de Estudio Redes Neuronales Artificiales 2.4 - Los Datos para trabajar en Machine Learning 2.5 - Práctica 1: hello world Machine Learning. (Parte 1) 2.6 - Práctica 1: hello world Machine Learning. (Parte 2) CONTENIDO TEMÁTICO APRENDERÁS... DURACIÓN Conceptos básicos y fundamentales sobre Inteligencia Artificial. Machine Learning y específicamente sobre Redes Neuronales Artificiales. Teoría de Redes Neuronales Artificiales, un par de ejercicios utilizando Python. En este curso repasamos conceptos fundamentales sobre la Inteligencia Artificial, así como su historia y aplicaciones. Nos enfocamos un poco más en el Aprendizaje Automático (Machine Learning) del tipo supervisado, estudiando a más detalles las Redes Neuronales Artificiales y escribiendo ejemplos básicos en Python sobre Redes Neuronales. 5.3 HORAS DE CONTENIDO 9 HORAS DE PRÁCTICA
- 5. Continuación Instructor: LESLY ZERNA Requisitos Programación desde cero Python desde cero Fundamentos Matemáticos ¿Qué conocimientos previos necesitas? INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL CURSO 2 Introducción a las redes neuronales artificiales 3.1 - ¿Qué son las redes neuronales artificiales? 3.2 - Redes Neuronales Artificiales: perceptrón y multicapas 3.3 - Práctica 1: hello world Redes Neuronales Artificiales 3.4 - Práctica 2: hello world con TensorFlow Construyendo redes neuronales artificiales 4.1 - Arquitecturas de las Redes Neuronales Artificiales 4.2 - Construyendo y entrenando Redes Neuronales Artificiales 4.3 - Evaluando el rendimiento de las Redes Neuronales Artificiales 4.4 - Práctica 1: Manos a la obra con las redes neuronales artificiales y TensorFlow. (Parte 1) 4.5 - Práctica 1: Manos a la obra con las redes neuronales artificiales y TensorFlow. (Parte 2) 4.6 - Aplicaciones de Redes Neuronales Artificiales.
- 6. INTRODUCCIÓN AL MACHINE LEARNING CURSO 3 Introducción 1.1 - Bienvenida al curso 1.2 - ¿Qué es Machine Learning y por qué los datos son importantes? 1.3 - Herramientas de trabajo para Machine Learning 1.4 - Explicando el proyecto del curso y los retos de cada clase 1.5 - Aplicaciones del Machine Learning Datos para Machine Learning 2.1 - ¿Dónde están los datos para entrar modelos? 2.2 - ¿Cómo deben ser los datos para trabajar con Machine Learning? 2.3 - Limpiando los datos con los que se entrenará nuestro modelo 2.4 - ¿Qué es la ciencia de datos? 2.5 - Python y R para análisis de datos CONTENIDO TEMÁTICO APRENDERÁS... DURACIÓN Organizar datos para entrenar un modelo de Machine Learning. Modelos de Machine Learning supervisado y no Supervisado. Evaluar tu modelo de machine learning. El Machine Learning es una rama dentro de la IA cuya finalidad es hacer que las computadoras tengan la capacidad de aprender por sí solas para detectar patrones en los datos y hacer predicciones. Al finalizar el curso crearás tu propio modelo de Machine Learning con Scikit-Learn y Python, usarás datos de las copas de fútbol para predecir los resultados de los próximos encuentros. ¿Qué aprenderás? 4 HORAS DE CONTENIDO 11 HORAS DE PRÁCTICA
- 7. INTRODUCCIÓN AL MACHINE LEARNING CURSO 3 Continuación Instructor: LESLY ZERNA Requisitos Programación desde cero Python desde cero ¿Qué conocimientos previos necesitas? Tipos de Machine Learning 3.1 - ¿Qué tipos existen de Machine Learning? 3.2 - Algoritmos de Machine Learning supervisado 3.3 - Algoritmos de Machine Learning no supervisado 3.4 - Herramientas para el trabajo con Machine Learning supervisado 3.5 - Manos la obra: codificando algoritmos Machine Learning supervisado Evaluando modelos de Machine Learning 4.1 - ¿Por qué evaluar nuestro modelo de Machine Learning? 4.2 - Técnicas para evaluar el modelo de Machine Learning supervisado, manos a la obra! 4.3 - ¿Qué información obtenemos de la evaluación del modelo? Nuestro proyecto práctico 5.1 - Guías para el proyecto del curso 5.2 - Revisando nuestro análisis de datos 5.3 - Probando diferentes modelos de Machine Learning para nuestro proyecto 5.4 - Evaluando nuestros modelos de Machine Learning 5.5 - Palabras finales y despedida
- 8. INTELIGENCIA ARTIFICIAL CON PYTHON CURSO 4 Introducción a la inteligencia artificial, con todos los conocimientos y terminología del sector. Construir tu primera IA sin experiencia previa de programación. Usando Python utilizando la ecuación de Bellman. Cómo combinar la inteligencia artificial con videojuegos con OpenAI Gym para aprender de forma efectiva. Técnicas de optimización de IA para alcanzar soluciones com máximo potencial en contextos reales. Redes neuronales desde el perceptrón simple hasta las redes neuronales de convolución. Para hacer que nuestro agente aprenda a jugar a la Atari clásica mirando la pantalla como lo haría un ser humano CONTENIDO TEMÁTICO APRENDERÁS... DURACIÓN Organizar datos para entrenar un modelo de Machine Learning. Modelos de Machine Learning supervisado y no Supervisado. Evaluar tu modelo de machine learning. El Machine Learning es una rama dentro de la IA cuya finalidad es hacer que las computadoras tengan la capacidad de aprender por sí solas para detectar patrones en los datos y hacer predicciones. Al finalizar el curso crearás tu propio modelo de Machine Learning con Scikit- Learn y Python, usarás datos de las copas de fútbol para predecir los resultados de los próximos encuentros. ¿Qué aprenderás? 4 HORAS DE CONTENIDO 11 HORAS DE PRÁCTICA
- 9. INTELIGENCIA ARTIFICIAL CON PYTHON CURSO 4 Continuación Instructor: JUAN GABRIEL GOMILA Requisitos Ninguno, este curso es desde cero. Toda la teoría explicada con transparencias, incluido Q-Learning, ecuación de Bellman, Redes Neuronales Artificiales y de Convolución, Entropía Cruzada o la función Softmax entre otras. Papers de referencia de toda la teoría. Para que complementes la formación del curso con los mismos papers de donde sale toda la parte teórica (ideal para los que están trabajando en el campo de la IA o escribiendo su propia tesis doctoral, pues hay muchas referencias en más de 30 artículos web diferentes). Y mucho más que trae el curso para que aprendas no solo los aspectos sencillos si no también todos los entresijos más avanzados del mundo de la inteligencia artificial con Python.
- 10. MACHINE LEARNING CON PYTHON CURSO 5 ¿Que es Machine Learning? Aprendizaje Supervisado, No Supervisado y Reforzado ¿Que es Scikit Learn? Instalación de Visual Studio Instalación Python Google Colab Variables en Python Manejo de Strings Listas Tuplas en Python Condicionales Bucles Funciones Funciones Recursivas Funciones Lambda Clases en Python Lectura y escritura de archivos Uso de Try - Except Clases & Instancias Variables de Instancias & Variables de Clases Herencia Metodos de Clases Introducción al Machine Learning Introducción a Python Python Programación Orientada a Objetos CONTENIDO TEMÁTICO APRENDERÁS... DURACIÓN Programación en Python Como programar una red neuronal Librerías mas empleadas en Machine Learning Solucionar problemas prácticos aplicando técnicas de Machine Learning Ser capaz de Analizar los problema más comunes en el Machine Learning Aprendizaje Reforzado Deep Learning 9 HORAS DE CONTENIDO 15 HORAS DE PRÁCTICA
- 11. MACHINE LEARNING CON PYTHON CURSO 5 Continuación Introducción a Pandas ¿Que es un DataFrame? Filtros en DataFrames Agrupaciones Filtros en DataFrames Ejemplo Real Copy, Reshape y Concatenate ¿Como crear un Array? Operaciones con Arrays Manipulación de Arrays y Filtros Métodos útiles Estadística con Numpy Manipulación de imágenes ¿Como se crear un Modelo de Machine Learning? Recogida de Información Preparación y Limpieza de datos Reducir la dimensionalidad Problemas Comunes en el Aprendizaje Validación del Modelo Curva ROC Introducción a Pandas Uso de Numpy Creación de un Modelo de Aprendizaje Supervisado y No supervisado ¿Que es el Aprendizaje Supervisado? Ejemplo de Regresión Perceptron Ejemplo Práctico usando Perceptron ¿Que es el Aprendizaje No Supervisado? K-means Ejemplo K-Means GMM Gaussian mixture model Ejemplo GMM ¿Que es una Red Neuronal? ¿Como aprende una Red Neuronal? Funciones de activación Conceptos Básicos Ejemplo de clasificación usando Redes Neuronales Entrenamiento de una Red Neuronal Creación de una Red Neuronal con Tensorflow Redes Neuronales con Keras y Scikit Learn Aprendizaje Supervisado Aprendizaje No Supervisado Redes Neuronales
- 12. MACHINE LEARNING CON PYTHON CURSO 5 Continuación Instructor: Kevin Meneses Requisitos Tener Ganas de Aprender Ser una persona proactiva en el Aprendizaje Introducción al Aprendizaje Reforzado Ejemplos de Aprendizaje Reforzado Función Valor Estado: caso determinístico Valor Estado: caso estocástico Introducción a Q-learning Ejemplo Práctico de Aprendizaje Reforzado Parte I Introducción a las redes Neuronales Convolucionales Tratamiento de Imágenes en Color Aprendizaje Reforzado Deep Learning en Redes Neuronales
- 13. INTELIGENCIA ARTIFICIAL CON CERO CÓDIGO CURSO 6 Introducción al curso, objetivos de aprendizaje y claves para el éxito IA en Medicina: Detección de Enfermedades usando la IA Google Teachable Machine IA Emotiva usando la IA de Google Teachable Machines IA para detección de enfermedades cardiovasculares con DataRobot IA en Negocios con AWS Autopilot IA para reconocimiento de alimentos e IA explicable con DataRobot CONTENIDO TEMÁTICO APRENDERÁS... DURACIÓN Crear, entrenar e implementar modelos de IA para detectar las emociones de las personas con Google Teachable Machine Crear, entrenar e implementar IA avanzada para detectar enfermedades cardiovasculares utilizando DataRobot AI Aprender a utilizar la herramienta AutoML de SageMaker Studio para crear, entrenar e implementar modelos de IA / Ml que requieren una experiencia de codificación casi nula. 14.5 HORAS DE CONTENIDO 16 HORAS DE PRÁCTICA Instructor: JUAN GABRIEL GOMILA
- 14. R PARA MODELOS DE MACHINE LEARNING CURSO 7 I. Introducción a.¿Qué son los modelos y para qué sirven b.Primera regresión lineal simple c.Problemáticas de Machine Learning d.Aplicaciones de los Modelos 6. Fin de la sección e.Código del curso 2. Predicción con regresión lineal a.Problema de predicción b.Datos a predecir c.Explorar para predecir d.Hacer modelo de regresión lineal simple e.Interpretar resultados f.Validar modelo g.Modelos avanzados de predicción CONTENIDO TEMÁTICO APRENDERÁS... DURACIÓN Identificar problemas de machine learning y plantear una solución Predecir valores numéricos utilizando la regresión lineal Clasificar datos con etiquetas implementando árboles de decisión Agrupar datos por categorías usando ténicas de clustering (k-means) 2.2 HORAS DE CONTENIDO 4 HORAS DE PRÁCTICA
- 15. R PARA MODELOS DE MACHINE LEARNING CURSO 7 Continuación Instructor: Rafael González Requisitos Este curso no se centra en la matemática detras de los modelos. Sin embargo, conviene tener nociones analíticas. Descripción 3. Clasificación con árboles de decisión a.El problema de clasificación b.Datos a clasificar c.Explorar para clasificar d.Hacer modelo de árboles de decisión e.Interpretar resultados f.Validar modelo 8. Modelos avanzados clasificación 4. Clustering con k-means a. El problema de clustering b. Datos a agrupar c. Explorar para clustering d. Hacer modelo de k-means e. Interpretar resultados f. Validar clusters g. Modelos avanzados de clustering 5. Conclusión del curso
- 16. DATA SCIENCE CURSO 8 Contexto y Motivación Contexto actual de la Inteligencia Artificial Machine Learning y Ciberseguridad Falso Obama modificado con Inteligencia Artificia Preparación del entorno Entorno offline: Anaconda Descarga de los casos prácticos Entorno offline: Jupyter Notebook Entorno online: Google Colab Introducción a Numpy Introducción a Pandas - Series Introducción a Pandas - DataFrames Introducción a Matplotlib IBienvenido al curso: Machine Learning: Contexto y Motivación4 clases Introducción y creación el entorno de aprendizaje para Python Librerías básicas CONTENIDO TEMÁTICO APRENDERÁS... DURACIÓN Las técnicas necesarias para crear un proyecto real completo de Machine Learning utilizando Python La ejecución de algoritmos de Machine Learning en entornos offline y online La aplicación de técnicas de Machine Learning a problemas reales dentro del dominio de la Ciberseguridad El uso de algoritmos de Machine Learning para la realización de predicciones y la resolución de tareas complejas 31 HORAS DE CONTENIDO 30 HORAS DE PRÁCTICA
- 17. DATA SCIENCE CURSO 8 Continuación Introducción a la sección ¿Qué es el Machine Learning? Clasificación de los sistemas Algoritmos de aprendizaje Aprendizaje online y batch Aprendizaje basado en instancias y basado en modelos Regresión Lineal: Introducción Regresión Lineal: Construcción del modelo Regresión Lineal: Función de coste Regresión Lineal: Función de optimización Caso práctico: Prediciendo el coste de un incidente de seguridad Introducción Representación de la función hipótesis Construcción del modelo Interpretación de la función hipótesis Función de coste I Función de coste II Función de optimización Clasificación y Ciberseguridad Caso Práctico: Construyendo un detector de SPAM ¿Qué es el Machine Learning? Regresión y Clasificación Conjunto de datos Caso Práctico: Visualización del conjunto de datos Overfitting y Underfitting Soluciones al Overfitting Evaluación de la función hipótesis Selección del modelo División del conjunto de datos Preparación del conjunto de datos Caso Práctico: Preparación del conjunto de datos Evaluación de los resultadoS Introducción a la sección SVM: Introducción SVM: Hard Margin Classfication SVM: Construcción del modelo lineal - Función de coste SVM: Construcción del modelo lineal - Función hipótesis SVM: Soft Margin Classification SVM: Kernels - Regresión Polinómica SVM: Kernels - Gaussian Kernel Caso Práctico: Detección de URLs maliciosas Creación de un proyecto Support Vector Machines (SVM)
- 18. DATA SCIENCE CURSO 8 Continuación Introducción Gini Impurity Entrenamiento del algoritmo Árboles de decisión: Clasificación y Función de Coste Regresión y función de coste Limitaciones de los árboles de decisión Detección de malware en Android Random Forests Boosting y Stacking Detección de malware en Android (II) Preguntas Frecuentes Caso Práctico: Selección del modelo Selección de características Caso Práctico: Selección de características Extracción de características ¿Qué es el clustering? Técnicas de clustering: KMEANS Técnicas de clustering: DBSCAN Evaluación de los resultados de Clustering Clustering y Ciberseguridad Caso Práctico: Detección de transacciones bancarias fraudulentas (I) Árboles de decisión y conjuntos de árboles (Random Forest) Selección y Extracción de características Algoritmos de Clustering ¿Qué es la probabilidad? Naive Bayes: Introducción Funcionamiento del Teorema de Bayes Funcionamiento del algoritmo Naive Bayes Caso Práctico: Construcción de un filtro de detección de SPAM ¿Qué es la detección de anomalías? Distribución Gaussiana: Introducción Distribución Gaussiana: Estimación de los parámetros Distribución Gaussiana: Funcionamiento de algoritmo Distribución Gaussiana: Selección del Threshold Distribución Gaussiana Multivariante Caso Práctico: Detección de transacciones bancarias fraudulentas Isolation Forest: Introducción Isolation Forest: Funcionamiento del algoritmo Isolation Forest: Construcción del modelo Algoritmos de Machine Learning basados en probabilidad Algoritmos de Machine Learning para la detección de anomalías
- 19. DATA SCIENCE CURSO 8 Continuación Instructor: Rafael González Requisitos Este curso no se centra en la matemática detras de los modelos. Sin embargo, conviene tener nociones analíticas. Descripción Introducción a las Redes Neuronales Artificiales Perceptrón: Neuronas Artificiales y Construcción del modelo Perceptrón multicapa Aprendizaje RNAs: Gradient Descent y Backpropagation (I) Aprendizaje RNAs: Gradient Descent y Backpropagation (II) Tipos de Redes Neuronales Artificiales Caso Práctico: Detección de transacciones bancarias fraudulentas Redes Neuronales Artificiales y Deep Learning Despedida del curso: Machine Learning desde cero. Proyectos reales en Python
- 20. MACHINE LEARNING DATA SIENCE CON PYTHON CURSO 9 Parte 1 - Instalación de Python y paquetes necesarios para Data Science, Machine Learning y visualización de los datos Parte 2 - Evolución histórica del análisis predictivo y el Machine Learning Parte 3 - Preprocesado y limpieza de los datos Parte 4 - Manejo de datos y data wrangling, operaciones con datasets y distribuciones de probabilidad más famosas Parte 5 - Repaso de estadística básica, intervalos de confianza, contrastes de hipótesis, correlación... Parte 6 - Regression lineal simple, regresión lineal múltiple y regresión polinomial, variables categóricas y tratamiento de outliers. Parte 7 - Clasificación con regresión logística, estimación con máxima verosimititud, validación cruzada, K-fold cross validation, curvas ROC Parte 8 - Clustering, K-means, K-medoides, dendrogramas y clustering jerárquico, técnica del CONTENIDO TEMÁTICO APRENDERÁS... DURACIÓN Llevar a cabo predicciones precisas Elaborar modelos robustos de Machine Learning Utilizar las técnicas de Machine Learning para uso personal y para asesorar empresas Hacer análisis muy potentes y precisos Construir modelos diversos de Machine Learning y combinarlos para resolver cualquier problema que uno se plantee Utilizar técnicas avanzadas para reducir la dimensión del problema 48 HORAS DE CONTENIDO 30 HORAS DE PRÁCTICA
- 21. MACHINE LEARNING DATA SIENCE CON PYTHON CURSO 9 Continuación Instructor: JUAN GABRIEL GOMILA Requisitos Tener las bases de matemáticas. Conocimientos básicos sobre Python. Tener un ordenador con conexión a internet y con cualquier sistema operativo instalado y saber utilizarlo a nivel básico de usuario Parte 8 - Clustering, K-means, K-medoides, dendrogramas y clustering jerárquico, técnica del codo y análisis de la silueta Parte 9 - Clasificación con árboles, bosques aleatorios, técnicas de poda, entropía, maximización de la información Parte 10 - Support Vector Machines para problemas de clasificación y regresión, kernels no lineales, reconocimiento facial (cómo funciona CSI) Parte 11 - Los K vecinos más cercanos, decisión por mayoría, programación de algoritmos de Machine Learning vs librerías de Python Parte 12 - Análisis de componentes principales, reducción de la dimensión, LDA Parte 13 - Deep learning, Reinforcement Learning, Redes neuronales artificiales y convolucionales y Tensor Flow
- 22. Lo que nadie te contó sobre la programación y el desarrollo de tecnología Entorno de desarrollo JUPYTER Bases de PythoN Numpy Visualización MACHINE LEARNING La regresión lineal Clasificación Agrupación Redes Neuronales Redes Neuronales en acción Redes neuronales convolucionales PROYECTO FINAL CLASIFICACION DE RADIOGRAFIAS REDES NEURONALES CON PYTHON DESDE CERO A AVANZADO CURSO 10 CONTENIDO TEMÁTICO APRENDERÁS... DURACIÓN El funcionamiento de distintos algoritmos de ML Regresiones, Clasificaciones etc Redes Neuronales, vale la pena indicarlas en un punto aparte. No solo veremos la teoría de funcionamiento, las aplicaremos en python Bases de Python Numpy (Arrays multidimensionales en Python) Pandas (Tablas indexadas en Python) Visualización de datos (data science) Limpieza de datos (data science) 17.5 HORAS DE CONTENIDO 20 HORAS DE PRÁCTICA Instructor: Pablo Luis Sánchez Stahlschmidt
- 23. Fundamentos de Tensorflow y MachineLearning ¿Qué es Tensorflow? ¿Cómo funciona? Formas de definir tensores Placeholders y variables El grafo de computación Matrices Operaciones matemáticas Funciones de activación en Posibles fuentes de datos El dataset de las flores Iris Los nacimientos y relación humana Keras y las casas de Boston Los datos manuscritos de MNIST Spam o no spam Valoraciones de películas Catalogar objetos a través de imágenes Las palabras de Shakespeare Traducción de frases Introducción Fuentes de datos y como acceder a ellas DEEP LEARNING CON TENSORFLOW CURSO 11 CONTENIDO TEMÁTICO APRENDERÁS... DURACIÓN Utilizar y saber programar con la librería TensorFlow 1.14 Saber implementar diversos algoritmos del mundo del Machine Learning y la Inteligencia Artificial con TensorFlow Elaborar gráficos de computación para entender las fases de los algoritmos en TensorFlow Trabajar con imágenes y a procesarlas con redes neuronales de convolución, elaborando como práctica un algoritmo que pintará una imagen como Van Gogh 40 HORAS DE CONTENIDO 35 HORAS DE PRÁCTICA
- 24. DEEP LEARNING CON TENSORFLOW CURSO 11 Continuación ¿Un repaso de Machine Learning Piensa en matemáticas, traduce en Tensorflow El grafo básico de operaciones en Tensorflow Divide la ejecución en capas Multiples capas de trabajo Gráficos de computación con tensorboard Funciones de pérdida para problemas de regresión Funciones de pérdida para problemas de clasificación Métricas para evaluar la calidad del modelo La propagación hacia atrás en regresión La propagación hacia atrás en clasificación Variantes del Gradiente Descendente Entrenamiento en bloques vs estocástico Clasificar las flores de iris Evaluar los modelos de regresión Evaluar los modelos de clasificación Regresión lineal El método de la matriz inversa El método de la descomposición LU Regresión lineal a lo Tensorflow La función de pérdidas en la regresión lineal Regresión lineal deming Métodos de regularización (lasso y ridge) Regresión elastic net Crear y leer CSV desde tus propios datos Normalización de los datos en entrenamiento y test Regresión logística Las máquinas de soporte vectorial Support Vector Machine ¿Qué es una SVM? Trabajar con SVM lineal SVM para estimar una regresión lineal Cambiar el Kernel con Tensorflow Como generar distribuciones en forma de anillo Un Kernel Gaussiano con Tensorflow Entrena tu Kernel Gaussiano Diferentes núcleos de convolución Los efectos del parámetro gamma Un clasificador multiclase Clasificar las tres especies de flores con SVM Encontrar los vecinos más cercanos El concepto detrás de los vecinos más cercanos Formalización matemática de los KNN Descargar y procesar el dataset con requests Implementar KNN con variables numéricas con Tensorflow Medir la eficacia de la clasificación La distancia de Levenshtein Distancias basadas en texto Como utilizar distancias ponderadas para cada variable El problema de la dirección postal mal escrita Comparar número y texto para clasificar El ejemplo de los vecinos de una imágen
- 25. DEEP LEARNING CON TENSORFLOW CURSO 11 Continuación Redes neuronales Los algoritmos no supervisador y su potencial Puertas lógicas y redes neuronales Puertas lógicas y operaciones en Tensorflow Ejercicio: Más operaciones lineales con Tensorflow Funciones de activación Una red neuronal con una capa oculta Redes neuronales multicapa en el caso 1D Redes neuronales multicapa en el caso 2D El ejemplo de recién nacidos con bajo peso Mejoras con la entropía cruzada El juego del tres en raya Entrenando nuestra red neuronal La red neuronal que aprende a jugar Procesamiento natural del lenguaje El rol del NLP en el siglo XXI La idea detrás del concepto del procesamiento natural del lenguaje Limpieza de datos para el Bag of Words Entrenando con el Bag of Words Text Frequency - Inverse Document Frequency Entrenando con TF-IDF Los algoritmos de Word2Vec Descargar y clasificar las valoraciones de películas Entrenando con los Skip Gramas El detalle de como funciona la embedding matrix Continuous Bag of Words Entrenando con Continuous Bag of Words Crear una librería con todo lo aprendido Como cargar modelos ya entrenados con pickle Clasificando las valoraciones de películas con Word2Vec Como funciona la técnica de doc2vec Inicializando nuestros embeddings con doc2vec Entrenando con doc2vec Análisis de sentimiento Redes neuronales de convolución CNN para el tratamiento de imágenes Otras operaciones matriciales Una red neuronal de convolución simple Entrenando nuestra red neuronal convolucional Evaluar los resultados de nuestra red neuronal convolucional Redes neuronales más completas Procesar los datos binarios de imágenes de CIFAR-10 El modelo de CNN para las imágenes de CIFAR Entrenando con la CNN completa Los resultados del entrenamiento de la CNN Descomprimir imágenes binarias y guardarlas en diferentes carpetas Como cargar una red neuronal entrenada con MatLab Aplicar un estilo a otra imágen Pintando como Van Gogh Deep Dream Que entiende cada neurona de cada capa de Deep Dream
- 26. DEEP LEARNING CON TENSORFLOW CURSO 11 Continuación Redes Neuronales Recurrentes La idea de la RNN Formalización de la RNN Ejercicio: Descargar y guardar los datos de SPAM La estructura de una red neuronal recurrente Entrenando la red neuronal recurrente Long Short Term Memory Las obras de Shakespeare Una implementación directa del Word2vec La clase LSTM Continuando un texto como Sheakespeare Redes neuronales multicapa Sección 12: Tensor Flow en Producción Cuando uno sube a producción todo falla Un ejemplo para probar las pruebas unitarias Implementando pruebas unitarias Como validar las pruebas unitarias en producción Ejecutar en CPU versus GPU Multiples trabajadores en paralelo A partir de aquí tienes mucho por delante! Sección 13: Otras herramientas para complementar TensorFlow Instructor: JUAN GABRIEL GOMILA Requisitos Tener las bases de matemáticas. Conocimientos básicos sobre Python. Tener un ordenador con conexión a internet y con cualquier sistema operativo instalado y saber utilizarlo a nivel básico de usuario
- 27. CURSO DE REGALO Enlaces del taller IoT Qué aprenderás sobre el desarrollo de hardware con Arduino ¿Qué es Arduino y qué placas hay? ¿Cómo se desarrolla el Hardware? ¿Cuál es el software para diseño mecánico? Elección del software a utilizar Limitaciones de Arduino y qué es el hardware libre Reto 1: Para un proyecto de IoT, ¿Cuál tarjeta Arduino utilizarías? ¿Cómo funciona el Curso de Desarrollo de Hardware con Arduino? Lista de Materiales o Componentes a Utilizar Sensores, actuadores y procesadores Diferentes tipos de sensores según la salida Diferentes tipos de sensores según la aplicación Diferentes tipos de actuadores Diferencias entre electricidad y electrónica Tipos de componentes electrónicos Más tipos de componentes electrónicos Bienvenida al curso Introducción al hardware libre Sensores, Actuadores y Procesadores Introducción a la electrónica CONTENIDO TEMÁTICO APRENDERÁS... DURACIÓN Conoce las generalidades del hardware Selecciona componentes para desarrollo de proyectos Conocer cómo interactúa el software con el hardware Crear tu primer proyecto de automatización Comprender los fundamentos del desarrollo de hardware te brinda las herramientas para crear proyectos increíbles de electrónica, automatización y hasta robótica. 5 HORAS DE CONTENIDO 12 HORAS DE PRÁCTICA ARDUINO
- 28. CURSO DE REGALO ARDUINO Continuación Instructor: RICARDO CELIS Requisitos Este curso es desde cero, no se necesitan conocimientos previos. Más tipos de componentes electrónicos Limitando la corriente para evitar quemar un led Puertos de un arduino y sus funciones Qué es un protoboard Estructura general de un programa en Arduino y hello world con un LED Variables y Constantes Globales Manejo de librerías y funciones Manejo de valores analógicos: uso del potenciómetro Uso del monitor serial PWM y señales analógicas Un control de color RGB e intensidad lumínica para una lampara de mesa Uso de push buttons Monitor de temperatura con Arduino Continuando con el monitor de temperatura Finalizando con el monitor de temperatura Reto: Crea tu semáforo con Arduino Cómo generar movimiento y uso de motores Agregando un potenciométro para controlar la posición del Servomotor Robot evasor de obstáculos Continuando con el Robot evasor de obstáculos Terminando con el Robot evasor de obstáculos Manos a la obra Automatización de procesos
- 29. CURSO DE REGALO Introducción a Raspberry Pi En este módulo se dará un introducción a lo que es Raspberry Pi, descripción completa del hardware y características de las placas electrónicas. Setup del Raspberry Pi En este módulo aprenderás a realizar el setup completo del Raspberry Pi, hardware y software para iniciar Compartiendo Archivos con Raspberry Pi Cómo programar Raspberry Pi con Python Entradas y Salidas Digitales Raspberry Pi con Sensores Raspberry Pi y Motores Controlando Raspberry Pi desde Internet CONTENIDO TEMÁTICO APRENDERÁS... DURACIÓN Este curso te dará las bases y los fundamentos de internet de las cosas aplicado a los sistemas domóticos. Para darle a tus proyectos electrónicos conectividad en Ia web ¡y manejar cualquier dispositivo a través de internet! 8 HORAS DE CONTENIDO 10 HORAS DE PRÁCTICA RASPBERRY DESDE CERO
- 30. CURSO DE REGALO Uso de encoders de cuadratura para robótica Cómo calcular la velocidad ,posición angular y sentido de giro en motores. Implementación de controladores de bajo nivel (PID) Robot tipo diferencial o uniciclo Robot omnidireccional 4 ruedas tipo Mecanum Robot omnidireccional 3 ruedas Robot omnidireccional 4 ruedas Robot tipo triciclo Robot tipo Car-Like Determinar la posición del robot en el plano xy Pruebas experimentales y simulador 3D Arduino aplicado a la robótica Modelo cinemático de robots móviles Pruebas experimentales en un robot diferencial o Uniciclo en Arduino. CONTENIDO TEMÁTICO APRENDERÁS... DURACIÓN 7 HORAS DE CONTENIDO 10 HORAS DE PRÁCTICA ROBÓTICA CON MATLAB Y ARDUINO Modelar todo tipo de robots (Modelo Cinemático) Odometria Simulación de todo tipo de robots en Matlab. Cómo calcular la velocidad ,posición angular y sentido de giro en motores. Determinar las posiciones de un robot en función de las velocidades de los actuadores (motores, servos) Uso de encoders de cuadratura para robótica Implementación de controladores de bajo nivel (PID) Robot móvil diferencial, robot móvil omnidirecional de 4 y 3 ruedas, brazos robóticos y drones.
- 31. CURSO DE REGALO ARDUINO Continuación Instructor: Edison Sásig Requisitos Programación básica en MATLAB Programación básica en Arduino Conocimiento básico de matrices y derivadas Brazo de 2DOF plano xy Brazo de 2DOF espacio xyz Manipulador + Robot móvil uniciclo Drone, UAV Manipulador + Robot aéreo (UAV) Modelo cinemático de brazos robóticos o manipuladores Modelo cinemático de manipuladores móviles Modelo cinemático de robots aéreos Modelo cinemático de manipuladores aéreos