Especialización en Deep Learning - Cursos 1 a 3
Deep Learning Specialization. Master Deep Learning, and Break into AI

Programa especializado Aprendizaje profundo

Acerca de este Programa Especializado

Si te interesa incursionar en el mundo de la Inteligencia Artificial, este ciclo de cursos te ayudará a hacerlo. Deep Learning es una de las habilidades más requeridas en el área de la tecnología. Te ayudaremos a ser un Sr. Engineer en Deep Learning. En tres cursos, aprenderás los fundamentos de Deep Learning, aprenderás cómo construir redes neuronales y a liderar proyectos de aprendizaje automático exitosamente.


CURSO COMPLETAMENTE EN ESPAÑOL

CURSO 1 - Redes neuronales y aprendizaje profundo
CURSO 2 - Improving Deep Neural Networks: Hyperparameter Tuning, Regularization and Optimization  
CURSO 3 - Structuring Machine Learning Projects

Especialización en Deep Learning - CURSOS 1 A 3

Comienzo: lunes 14 de septiembre
Horario: lunes de 18.30 a 21.30
Es un curso de 3 meses

Se dicta en modalidad online, con o sin cuarentena.
Hipólito Yrigoyen 1144 - Primer Piso - Oficina 3 - CABA - Argentina

Cuando se levante la cuarentena, habrá clases presenciales.

ARANCEL:

- Matrícula de $4.000 y 3 cuotas de $4.000
  Al comenzar, deben estar abonadas, como mínimo, la matrícula y las dos primeras cuotas.
  En octubre se abona la cuota 3.....
 
- Opción: Pago único u$s 300

Si te interesa especializarte en Deep Learning te invitamos a acceder al mejor curso disponible sobre Inteligencia Artificial

La especialización son 5 cursos. (Podrás cursar los otros dos cursos en 2021 abonando solo u$s 200 adicionales)

EN 2020

* Fundamentos de Deep Learning
* Ajuste de hiperparámetros, regularización y optimización
* Arquitectura de Proyectos de Machine Learning


EN 2021 (en fechas a definir)

* Redes Neuronales Convolucionales - Computer Vision
* Modelos secuenciales - Redes Neuronales Recurrentes - NLP  

No hay requisitos iniciales

DETALLE DE LOS CURSOS

CURSO 1 - Redes neuronales y aprendizaje profundo

Este curso te introduce en el mundo de la IA. Los ingenieros en deep learning son muy buscados. Dominar estas técnicas te abrirá numerosas oportunidades profesionales. Deep learning es un nuevo "superpoder".

OBJETIVOS DE APRENDIZAJE

- Entender las tendencias actuales en Deep Learning
- Construir, entrenar y aplicar redes neuronales "fully connected"
- Implementar redes eficientemente vectorizadas
- Entender los parámetros claves de la arquitectura de las ANN  

Este curso va bien a fondo, explicando la programación y los fundamentos matemáticos de funcionamiento de las redes neuronales. Después de completarlo, podrás aplicar DL a una aplicación tuya. Si estás buscando un trabajo en IA, podrás responder preguntas básicas en entrevistas. Este es el primer curso de la especialización en Deep Learning.

PROGRAMA

SEMANA 1

Bienvenida a la Especialización en Deep Learning

- Bienvenida
- Introducción a Deep Learning
- ¿Qué es una red neuronal?
- Aprendizaje supervisado con redes neuronales
- ¿Porqué es que ahora Deep Learning está despegando?

SEMANA 2

La Regresión Logística como una Red Neuronal

- Clasificación BInaria
- Regresión Logística
- Función de costo
- Descenso del gradiente
- Derivadas
- Grafos
- Derivadas con un grafo
- Descenso del Gradiente en la Regresión Logística
- Descenso del Gradiente en m ejemplos

Python y Vectorización

- Vectorización
- Vectorizando la Regresión Logística
- Broadcasting en Python
- Explicación sobre la función de costo de la Regresión Logística

SEMANA 3

Redes Neuronales "Shallow"

- Repaso de redes neuronales
- Representación de redes neuronales
- Computando la salida de una red neuronal
- Vectorizando a través de múltiples ejemplos
- Implementación vectorizada
- Funciones de activación
- ¿Porqué necesitamos funciones de activación no lineales?
- Derivadas de las funciones de activación
- Descenso del gradiente para redes neuronales
- Backpropagation
- Inicialización Random

SEMANA 4

Redes Neuronales Profundas
 
- Red neuronal profunda de L capas
- Forward propagation en una red profunda
- Las correctas dimensiones de las matrices
- ¿Porqué representaciones profundas?
- Bloques constructivos de las redes neuronales profundas
- Forward y backward propagation
- Parámetros vs. hiperparámetros  
- ¿Qué tiene todo esto que ver con el funcionamiento del cerebro?

CURSO 2 - Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization  

Este curso enseña la "magia" de lograr que Deep Learning funcione bien. En lugar de considerar a DL como una caja negra, entenderás que acciones mejoran el rendimiento y serás capaz de obtener mejores resultados en forma sistemática.También empezaremos a ver TensorFlow.

OBJETIVOS DE APRENDIZAJE

- Entender las mejores prácticas de la industria para construir aplicaciones de deep learning
- Ser capaz de usar efectivamente los "trucos" comunes en ANN: inicialización, regularización L2 y dropout, Batch
 normalization, gradient checking.
- Implementar y aplicar una variedad de algoritmos de optimización, como:  mini-batch gradient descent, Momentum,
  RMSprop y Adam, y chequear su convergencia.
- Entender las nuevas mejores prácticas en la era de DL y cómo configurar train/dev/test sets y analizar bias/variance
- Implementar una red neuronal en TensorFlow.

Este es el segundo curso de la especialización en Deep Learning.

PROGRAMA

SEMANA 1

Configurando tu aplicación de Machine Learning

- Train / Dev / Test sets
- Bias / Variance
- Recetas básicas para Machine Learning

Regularizando tu red neuronal

- Regularización
- ¿Porqué la regularización reduce el overfitting?
- Regularización Dropout
- Entendiendo Dropout
- Otros métodos de regularización.

Configurando tu problema de optimización

- Normalización de inputs
- Vanishing / Exploding gradients
- Inicialización de pesos para ANN
- Aproximación numérica de gradientes
- Gradient checking

SEMANA 2

Algoritmos de optimización

- Mini-batch gradient descent
- Exponentially weighted averages
- Bias correction in exponentially weighted averages
- Gradient descent con momentum
- El algoritmo de optimización Adam
- Learning rate decay
- El problema de los óptimos locales

SEMANA 3

Tuneo de hiperparámetros

- Proceso de tuning
- Usando la escala apropiada
- Tuneo de hiperparámetros en la práctica:  Pandas vs. Caviar


Batch Normalization

- Normalizing activations in a network
- Fitting Batch Norm into a neural network
- ¿Porqué funciona Batch Norm?
- Batch Norm en testing

Clasificación multiclase

- Softmax Regression
- Entrenando un clasificador softmax

Introducción a frameworks de programación

- Deep learning frameworks
- TensorFlow


CURSO 3 - Estructurando proyectos de machine learning

Aprenderás a construir proyectos de machine learning exitosos. Si aspirás a ser un líder técnico en IA y saber cómo dirigir a tu equipo de trabajo, este curso te mostrará cómo hacerlo.

OBJETIVOS DE APRENDIZAJE

- Entender cómo diagnosticar errores en un sistema de machine learning
- Ser capaz de priorizar las opciones más prometedoras para reducir el error
- Entender configuraciones complejas de ML (mismatched training/test sets) y comparar y/o superar el
  rendimiento  humano
- Saber como aplicar end-to-end learning, transfer learning y  multi-task learning

Este es el tercer curso de la especialización en Deep Learning.

PROGRAMA

SEMANA 1

Introducción a la estrategia de ML

- Porqué estrategia ML
- Ortogonalización

Configurando tus objetivos

- Una única métrica de evaluación
- Métricas de satisfacción y de optimización
- Train/dev/test distributions
- Tamaño de dev y test sets
- Cuándo cambiar los dev/test sets y las métricas

Comparando con el rendimiento humano

- Porqué el rendimiento humano
- Desvío evitable
- Entendiendo el rendimiento humano
- Superando el rendimiento humano
- Mejorando el rendimiento del modelo

SEMANA 2

Análisis de errores

- Ejecutando análisis de errores
- Limpiando datos mal etiquetados
- Construí primero tu primer sistema. Rápido, después iterás

Mismatched training and dev/test set

- Training y testing en distribuciones diferentes
- Bias and Variance with mismatched data distributions
- Addressing data mismatch

Aprendizaje con tareas múltiples
 
- Transfer learning
- Multi-task learning

End-to-end deep learning

- Qué es end-to-end deep learning
- Cuando usar end-to-end deep learning