tecnicas de programacion, machine learning, aprendizaje de maquina

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

32. REGALOS
LIBROS
30 LIBROS GRATIS