Envíanos tu consulta
Términos y condiciones *
logoImagina

Este curso de Deep Learning con R te permitirá aprender a usar R para realizar análisis de datos profundos. Aprenderás a construir modelos de aprendizaje automático y profundos basados en la tecnología de aprendizaje automático de R. Aprenderás cómo implementar modelos de aprendizaje profundo con R, añadiendo capas complejas a la red neuronal para un mejor rendimiento. Aprenderás a entrenar, evaluar y ajustar los modelos de aprendizaje profundo para obtener los mejores resultados.

Además, aprenderás cómo construir modelos para procesar datos no estructurados como imágenes, audio y video con la librería Keras. Aprenderás a identificar los factores clave en los datos de entrada y a entrenar modelos de aprendizaje profundo con ellos. También aprenderás cómo optimizar tus modelos para obtener los mejores resultados.

iconClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClient
Aprende Deep Learning con R: Curso completo
¿A quién va dirigido?
Desarrolladores que deseen aprender a usar R para construir modelos de aprendizaje profundo y automático para procesar datos no estructurados
Objetivos
  • Comprender la teoría de Deep Learning
  • Aprender a usar la biblioteca de Python Keras para construir modelos predictivos
  • Desarrollar habilidades en la manipulación de datos, análisis estadístico y visualización
  • Comprender los principios básicos de la optimización de modelos
  • Aprender la implementación de modelos de Deep Learning para solucionar problemas reales
¿Qué vas a aprender?

Este curso de Deep Learning con R te permitirá aprender a usar R para realizar análisis de datos profundos. Aprenderás a construir modelos de aprendizaje automático y profundos basados en la tecnología de aprendizaje automático de R. Aprenderás cómo implementar modelos de aprendizaje profundo con R, añadiendo capas complejas a la red neuronal para un mejor rendimiento. Aprenderás a entrenar, evaluar y ajustar los modelos de aprendizaje profundo para obtener los mejores resultados. Además, aprenderás cómo construir modelos para procesar datos no estructurados como imágenes, audio y video con la librería Keras. Aprenderás a identificar los factores clave en los datos de entrada y a entrenar modelos de aprendizaje profundo con ellos. También aprenderás cómo optimizar tus modelos para obtener los mejores resultados.

Requisitos
  • Tener conocimientos en el lenguaje de programación R
  • Disponer de cuenta de Google con acceso a Google Colab como entorno de desarrollo online y configurado para desarrollar con R
  • Conocimientos básicos sobre algoritmos de detección de objetos
  • Tener un equipo con acceso a un usuario con permisos de instalación y conexión estable a internet
  • Tener instalados previamente en el equipo: Git, R y RStudio
Temario del curso
tema 1Introducción a Deep Learning con R
  • Qué es el aprendizaje profundo
  • Cómo funciona el aprendizaje profundo
  • Qué son las redes neuronales
  • Cómo funcionan las redes neuronales
  • Tipos de redes neuronales
tema 2Implementación con R
  • Introducción a R
  • Instalación de R
  • Instalación de la librería Keras
  • Creación de entornos de trabajo
  • Conceptos de programación en R
  • Estructuras de datos en R
tema 3Uso de Keras
  • Introducción a la librería Keras
  • Instalación de Keras
  • Estructura de un modelo en Keras
  • Construcción de modelos en Keras
  • Entrenamiento de modelos en Keras
tema 4Análisis de datos
  • Pre procesamiento de datos
  • Carga de datos
  • Exploración de datos
  • Visualización de datos
  • Análisis de correlaciones
tema 5Construcción de modelos
  • Selección de variables
  • Construcción de modelos
  • Validación de modelos
  • Ajuste de modelos
tema 6Optimización de modelos
  • Búsqueda de hiperparámetros
  • Evaluación de modelos
  • Selección de modelos
  • Análisis de resultados
tema 7Uso de imágenes
  • Introducción a la visión por computador
  • Preprocesamiento de imágenes
  • Carga de imágenes
  • Exploración de imágenes
  • Visualización de imágenes
tema 8Uso de audio
  • Introducción al procesamiento de audio
  • Preprocesamiento de audio
  • Carga de audio
  • Exploración de audio
  • Visualización de audio
tema 9Uso de video
  • Introducción al procesamiento de video
  • Preprocesamiento de video
  • Carga de video
  • Exploración de video
  • Visualización de video
tema 10Uso de redes recurrentes
  • Introducción a las redes recurrentes
  • Arquitecturas de redes recurrentes
  • Implementación de redes recurrentes
  • Entrenamiento de redes recurrentes
  • Evaluación de redes recurrentes
tema 11Uso de redes convolucionales
  • Introducción a las redes convolucionales
  • Arquitecturas de redes convolucionales
  • Implementación de redes convolucionales
  • Entrenamiento de redes convolucionales
  • Evaluación de redes convolucionales
tema 12Uso de redes profundas
  • Introducción a las redes profundas
  • Arquitecturas de redes profundas
  • Implementación de redes profundas
  • Entrenamiento de redes profundas
  • Evaluación de redes profundas
tema 13Proyectos Finales
  • Aplicaciones de visión por computador
  • Aplicaciones de procesamiento de audio
  • Aplicaciones de procesamiento de video
  • Aplicaciones de redes recurrentes
  • Aplicaciones de redes convolucionales
  • Aplicaciones de redes profundas

Formación Bonificada para Empresas a través de FUNDAE

Somos entidad organizadora de FUNDAE, todas nuestras formaciones se pueden bonificar hasta el 100%, sujeto a vuestro crédito disponible y a cumplir con todos los requisitos de realización establecidos por la Fundación Estatal para el Empleo.

 

Si desconoces el funcionamiento de las bonificaciones, ofrecemos el servicio de gestión en FUNDAE, consúltanos cualquier duda que te surja.

Descargar Guía FUNDAE
imagenFundae
iconClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClient