Ruta de Odisea de Deep Learning - Aprendizaje en Línea con Certificado

Odisea de Deep Learning

Advanced

5.0

3 reviews

20 Learners

Updated 11/2025

Comience con los principios fundamentales del funcionamiento de las redes neuronales y avance hasta construir y entrenar sus propios modelos utilizand…

124

Chapters

Learning hours

177

Assignments

AI Assistant

Shareable Certificate

Resultados

Track content

Related courses and projects

Testimonios

Características

Precios

Resultados

Track content

Related courses and projects

Testimonios

Características

Precios

Lo que aprenderás

Clean and prepare data for machine learning

Understand neural network concepts

Explore PyTorch for neural network training

Transform raw data into usable features

Build neural networks with scikit-learn

Apply CNNs for image classification tasks

Engineer features to improve model performance

Implement neural networks using TensorFlow

Use RNNs for sequence and time series data

Learning track content

Domina los pasos fundamentales para limpiar y preparar datos en bruto para análisis y aprendizaje automático.

Comprensión de la Calidad de los Datos

Gestión de Valores Faltantes

Gestión de Duplicados y Valores Atípicos

Desafío: Limpieza de Datos

Transformación de datos sin procesar en características utilizables para modelos de aprendizaje automático.

Escalado y Normalización

Codificación de Variables Categóricas

Transformación y Extracción de Características

Desafío: Cuadrícula de Transformación

Ingeniería y selección de características para mejorar el rendimiento y la interpretabilidad del modelo.

Fundamentos de la Selección de Características

Creación de Características de Interacción

Automatización del Preprocesamiento con Pipelines

Desafío: Pipeline de Preprocesamiento

Primero, discutiremos qué es una red neuronal y cómo funciona. También se considerará el alcance de su aplicación.

¿Qué es una Red Neuronal?

Aplicaciones del Aprendizaje Profundo en el Mundo Real

Redes Neuronales o Modelos Tradicionales

Estructura de la Red Neuronal

¿Qué es una neurona?

Funciones de Activación

Propagación Hacia Adelante y Hacia Atrás

A continuación, intentaremos construir nuestra propia red neuronal y evaluaremos su eficiencia en el aprendizaje. También analizaremos una solución ya implementada de la biblioteca scikit-learn.

Implementación de una Sola Neurona

Desafío: Creación de una Neurona

Capas de Perceptrón

Desafío: Creación de un Perceptrón

Propagación Hacia Adelante

Función de Pérdida

Propagación Hacia Atrás

Implementación de Retropropagación

Entrenamiento del Modelo

Desafío: Entrenamiento del Perceptrón

Evaluación del Modelo

Desafío: Evaluación del Perceptrón

Red Neuronal con Scikit-Learn

Finalmente, le proporcionaremos información adicional útil sobre cómo determinar qué modelo utilizar y qué tipos de redes neuronales existen. Para completar el curso, se evaluarán los conocimientos adquiridos.

Otros Tipos de Redes Neuronales

Ajuste de Hiperparámetros

Desafío: Ajuste Automático de Hiperparámetros

Cuestionario: Conceptos Esenciales de Redes Neuronales

Resumen

Obtendrá una comprensión fundamental de los componentes principales de TensorFlow: los tensores. Profundizará en la naturaleza y aplicaciones de los tensores, se familiarizará con las propiedades de los tensores y adquirirá conocimientos sobre operaciones matemáticas esenciales.

Bienvenido a TensorFlow

Introducción a los Tensores

Propiedades de los Tensores

Aplicaciones de Tensores

Operaciones de Reducción

Aprenderá cómo funciona TensorFlow y las formas de mejorar su rendimiento. Al finalizar este módulo, estará capacitado para implementar redes neuronales básicas u otros cálculos con tensores utilizando únicamente la biblioteca TensorFlow, sin complementos adicionales.

Creación de una Capa de Red Neuronal

Cinta de Gradiente

Ejecución de Grafos

Implementación de Redes Neuronales

Resumen

Explora los fundamentos de PyTorch, centrándote en los tensores, la estructura de datos principal utilizada para los cálculos. Aprenderás sobre la creación de tensores, la inicialización aleatoria, las operaciones matemáticas y la manipulación de formas.

¿Qué Es PyTorch?

Introducción a los Tensores

Funciones de Creación de Tensores

Desafío: Inicialización de Tensores

Creación de Tensores Aleatorios

Desafío: Inicialización de Pesos y Sesgos del Modelo

Operaciones Matemáticas con Tensores

Desafío: Realización de Operaciones Matemáticas

Formas y Dimensiones en PyTorch

Desafío: Remodelación de Tensores

Explora conceptos clave para el entrenamiento de modelos en PyTorch, incluyendo el cálculo de gradientes y la realización de retropropagación en múltiples pasos. Domina la regresión lineal como modelo fundamental de aprendizaje automático e introduce el manejo eficiente de conjuntos de datos.

Gradientes en PyTorch

Retropropagación de Múltiples Pasos

Regresión Lineal

Desafío: Implementación de Regresión Lineal

Trabajando con Conjuntos de Datos

Desafío: Preparación del Conjunto de Datos Iris

Descubra cómo construir, entrenar y evaluar redes neuronales utilizando PyTorch. Aprenderá a definir una red neuronal feedforward simple, optimizar sus parámetros mediante el entrenamiento y evaluar su rendimiento.

Creación de una Red Neuronal Simple

Entrenamiento del Modelo

Evaluación del Modelo

Desafío: Clasificación de Flores

La visión por computadora permite a las máquinas interpretar y analizar datos visuales, imitando la percepción humana. Esta sección abarca los conceptos básicos de la representación de imágenes, modelos de color y fundamentos matemáticos esenciales para comprender cómo los ordenadores procesan imágenes. Se explorarán aplicaciones en el mundo real, desde vehículos autónomos hasta imágenes médicas, y se analizará cómo la visión por computadora se integra con la IA y el aprendizaje automático.

¿Qué Es la Visión por Computadora?

Fundamentos del Procesamiento de Imágenes

Álgebra Lineal para Manipulación de Imágenes

OpenCV es una biblioteca potente para la manipulación de imágenes y tareas de visión por computadora. Esta sección abarca técnicas esenciales como el filtrado de imágenes, transformaciones, detección de bordes y segmentación. Aprenderá a realizar desenfoque, umbralización, detección de contornos y extracción de características para mejorar y analizar imágenes de manera eficiente.

Transformaciones Básicas

Transformada de Fourier

Filtros de Paso Bajo y Paso Alto

Reducción de Ruido y Suavizado

Ecualización de Histograma

Técnicas de Superresolución

Detección de Bordes

Detección de Esquinas y Blobs

Las CNN procesan datos visuales utilizando capas de convolución, agrupamiento y activación para extraer características en tareas como clasificación de imágenes y detección de objetos. Los componentes clave incluyen el relleno, la convolución para la extracción de características, el agrupamiento para la reducción de complejidad y la activación para la no linealidad. Arquitecturas populares como AlexNet, VGG y ResNet impulsan la IA en salud, autonomía y seguridad.

Introducción a las Redes Neuronales Convolucionales

Capas de Convolución

Capas de Agrupamiento

Aplanamiento

Funciones de Activación

Visión General de los Modelos CNN Populares

Desafío: Construcción de una CNN

La detección de objetos es una tarea fundamental en la visión por computadora que consiste en identificar y localizar objetos dentro de una imagen. A diferencia de la clasificación de imágenes, que asigna una sola etiqueta a toda la imagen, la detección de objetos no solo clasifica los objetos, sino que también determina sus posiciones utilizando cajas delimitadoras. Esta sección abarca técnicas y algoritmos clave utilizados en la detección de objetos, desde métodos tradicionales hasta enfoques basados en aprendizaje profundo como YOLO y U-Net.

Localización de Objetos

Detección de Objetos

Predicciones de Cajas Delimitadoras

Intersección Sobre Unión (IoU) y Métricas de Evaluación

Supresión No Máxima (NMS)

Cajas Ancla

Descripción General del Modelo YOLO

Desafío: Detección de Objetos con Modelo Personalizado y YOLO

La visión por computadora ha avanzado significativamente a lo largo de los años, pasando de métodos básicos de procesamiento de imágenes a técnicas complejas de aprendizaje profundo. Esta sección aborda las innovaciones más recientes en visión por computadora, centrándose en el aprendizaje por transferencia, el reconocimiento facial y la generación de imágenes. Se explorarán los beneficios de los modelos preentrenados en el rendimiento, los principios de la tecnología de reconocimiento facial y la manera en que la IA crea imágenes mediante aprendizaje profundo.

Aprendizaje por Transferencia en Visión por Computadora

Visión General del Reconocimiento Facial

Visión General de la Generación de Imágenes

Aborda las limitaciones de las redes neuronales tradicionales para datos secuenciales e introduce los fundamentos de las Redes Neuronales Recurrentes. Explica la arquitectura de las RNN, sus tipos y la implementación paso a paso mediante ejemplos básicos y un desafío de codificación.

Limitaciones de las ANN

¿Cómo Funcionan las RNN?

Tipos de RNNs

Implementación de una RNN Básica

Desafío: Implementación de la RNN Básica

Explora desafíos comunes de entrenamiento como los gradientes desvanecientes y explosivos. Presenta variantes avanzadas de RNN, incluyendo LSTM y GRU, destacando sus mecanismos internos y casos de uso, con ejemplos prácticos de implementación para cada una.

Gradientes Desvanecientes y Explosivos

Activaciones Sigmoid y Tanh

Redes de Memoria a Largo Corto Plazo (LSTM)

Ejemplo de LSTM

Unidades Recurrentes con Compuertas (GRU)

Cuándo Usar LSTM y GRU

Se centra en el procesamiento y la predicción de datos de series temporales utilizando modelos basados en RNN. Incluye carga de datos, técnicas de preprocesamiento, entrenamiento de modelos y evaluación del rendimiento, con énfasis en la comparación de las arquitecturas LSTM y GRU.

Introducción a la Predicción de Series Temporales

Carga de Datos

Preprocesamiento de Datos de Series Temporales

Entrenamiento y Evaluación de una RNN

LSTM vs. GRU para Series Temporales

Desafío: Predicción de Series Temporales con LSTM

Demuestra la aplicación de RNN a tareas de clasificación de texto. Cubre conceptos fundamentales de PLN, métodos de codificación de texto, pasos de preparación de datos y construcción de un modelo basado en LSTM para la predicción de sentimientos.

Fundamentos de PLN

Codificación de Texto

Carga y Preprocesamiento de los Datos

Modelo de Análisis de Sentimientos

Desafío: Construcción de una LSTM para Análisis de Sentimientos

¡Impulsa tus habilidades tecnológicas!

con hasta un 55% de descuento

Features:

*Tracks not included in Pro plan

500+ cursos mejor calificadosCopiloto de IA de vanguardia

Rutas de estudio personalizadas40+ proyectos prácticos del mundo real

Sin cancelación, antes de que finalice el plan seleccionado con descuento, acepto que Codefinity cobrará automáticamente $104 cada 3 meses hasta que cancele. Obtén más información sobre la política de cancelación y reembolso en Términos de Suscripción.

Recommended Courses and Projects

Course without tasks for flow test

Course for E2E testing

TEST COURSE WITH ALL TYPES OF COLUMN CHAPTERS

test python course with 6 sections

Testing Video Player

Test mobile outline course

Super course

Realización de Pruebas A/B

En el mundo empresarial, tomar decisiones basadas en datos concretos en lugar de la intuición puede ser la clave del éxito. Este curso se centra en una técnica crucial: el análisis de datos de pruebas A/B. El eje central del curso es un proyecto en el que realizarás un análisis detallado de una prueba A/B. Este proyecto, que puedes incluir en tu CV, está alojado en Codefinity, lo que te permite perfeccionarlo continuamente y demostrar tu creciente experiencia.

TEST FREE COURSE

description

TEST SHORT VIDEO COURSE

TEST COMPARE MODE

description

Test e2e new task ui

Some

SAVE CODE SNIPPET TEST

description

TEST COLUMN AI ASSISTANT PYTHON

description

Explorando Perspectivas del Alquiler de Bicicletas Urbanas

Este curso te guía en el análisis y la visualización de cómo los factores climáticos y estacionales influyen en la demanda diaria de alquiler de bicicletas utilizando datos del mundo real.

Discover more Learning Tracks

pista

TEST TRACK 12

Principiante

Desarrollo Web Full Stack

Principiante

Conviértete en un Desarrollador de React

Intermedio

Análisis y Visualización de Datos con Python

Intermedio

SQL de Cero a Héroe

Principiante

C++ para Principiantes

Principiante

Python de Cero a Héroe

Principiante

Dominio del Aprendizaje Automático

Intermedio

Python Más Allá del Intermedio

Principiante

Esenciales de Java

Principiante

Desarrollo de Juegos con Unity

Principiante

Conviértete en un Desarrollador de Django

Avanzado

Por qué la gente elige Codefinity

Web Developer

Kwizera Mugisha

The teaching methodology at Codefinity is excellent, and I particularly appreciate how it has prepared me to handle real-world coding problems. Currently, I am delving into Node.js and eagerly anticipate building full-stack projects that integrate all the knowledge I have gained.

Senior Business Analyst

Sherry Barnes-Fox

My first course was 4 hours, I did it in a few days, "nugget-style". The instructions are very clear and easy to understand. There is even a hint to help you get the answer. I love the learning style that is used, it engages me.

Accounts Payable Specialist

Bill Wagner

I have really liked the browser-based lessons that allow me to code within the lesson. The RUN button allows me to test the code I write before submitting for a grade.

IT Support Specialist

Daniel Chinea

I have gained a lot of practical and logical thinking skills, along with patience for myself and confidence in myself that I can learn programming. Years ago, I would have never thought that I could learn programming in any way, shape or form, and I was able to obtain these certifications and skills with Codefinity.

Technology Project Manager

Steve Bruening

The learning was progressive and made it easy to follow along and make progress. I could feel my skills increasing and building on each other as the course went along.

Project Manager

Stephanie Chan

As I went through the first course of the Python track, I liked the way the course was lay out (in easy and digestible modules) with little exercises at the end of each concept.

Step-by-Step to Stellar Results

Entorno de codificación interactivo

Sumérgete en nuestro entorno interactivo: escribe y ejecuta tu código con retroalimentación en tiempo real y métricas de éxito—aprende haciendo en cada paso.

Soporte potenciado por IA

Aprovecha el asistente de IA integrado para explicar errores, sugerir soluciones o responder cualquier pregunta sobre tu código—para que te mantengas productivo y nunca te quedes atascado.

Check your progress

Concluye cada módulo con un cuestionario rápido que ofrece retroalimentación instantánea, rastrea tu progreso y asegura que hayas dominado los conceptos clave.

Promote your expertise

Obtén tu certificado reconocido por la industria al completar y compártelo en LinkedIn con un clic—deja que tu red vea lo que puedes hacer.

Confiado por empleados de empresas líderes
y estudiantes de universidades de élite

Acceso completo al catálogo

Una suscripción abre este curso y todo nuestro catálogo de proyectos y habilidades.

Features:

500+ cursos mejor calificadosCopiloto de IA de vanguardia

Rutas de estudio personalizadas40+ proyectos prácticos del mundo real

Prueba Codefinity con confianza – garantía de devolución de dinero de 30 días incluida

Para darte la bienvenida a Codefinity, estamos ofreciendo hasta 64% de descuento en nuestros cursos. Además, tenemos una garantía de devolución de dinero de 30 días, para que puedas probarnos sin riesgo.Esperamos sinceramente darte la bienvenida a nuestra plataforma y estamos comprometidos a hacer que tu experiencia de aprendizaje sea fácil, interactiva y divertida.

Ready to get started?

Pro

Best intro offer

Ultimate

A complete experience
to kickstart your career

500+ Top-Rated courses

Completion certificates

Early access to new courses

40+ hands-on Real-world projects

Personalized study tracks

Unlimited workspaces

Accede instantáneamente a 500+ cursos

Aprendizaje ilimitado, acceso instantáneoObtén acceso completo a todos los cursos y rutas, incluyendo contenido en video, cuestionarios y materiales detallados—comienza a aprender en cualquier momento.

Certificados reconocidos por la industriaObtén certificados que validen tu experiencia y potencien tu carrera en tecnología, IA, datos, marketing y más allá.

Aprendizaje asistido por IAObtén pistas personalizadas, retroalimentación en tiempo real y explicaciones potenciadas por IA para acelerar tu progreso.

En constante expansión: Nuevos cursos y rutas profesionalesMantente a la vanguardia con cursos constantemente actualizados, hojas de ruta profesionales, desafíos y pruebas prácticas.

Desarrolla habilidades que importanDomina habilidades demandadas con cursos en IA, ciencia de datos, programación, marketing, automatización, desarrollo web y más.

Aprendizaje interactivo y fluidoParticipa en proyectos prácticos, ejercicios del mundo real y una experiencia de aprendizaje intuitiva — no se necesitan herramientas adicionales.

Lo que aprenderás

TEST TRACK 12

Desarrollo Web Full Stack

Conviértete en un Desarrollador de React

Análisis y Visualización de Datos con Python

SQL de Cero a Héroe

C++ para Principiantes

Python de Cero a Héroe

Dominio del Aprendizaje Automático

Python Más Allá del Intermedio

Esenciales de Java

Desarrollo de Juegos con Unity

Conviértete en un Desarrollador de Django

Por qué la gente elige Codefinity

Confiado por empleados de empresas líderes y estudiantes de universidades de élite

Acceso completo al catálogo

Prueba Codefinity con confianza – garantía de devolución de dinero de 30 días incluida

Accede instantáneamente a 500+ cursos

Confiado por empleados de empresas líderes
y estudiantes de universidades de élite