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