Deep Learning es una técnica de Machine Learning basada en las famosas redes neuronales, donde trata de simular la forma que tiene de aprender el cerebro. El gran avance del Deep Learning respecto a otras técnicas de Machine Learning se basa en que el sistema se puede entrenar, o incluso puede entrenarse a sí mismo, para encontrar coherencia en datos aleatorios, de la misma forma que un cerebro humano consigue aprender en función de estímulos y conocimiento previo.

Con este programa se pretende dotar al alumno de los conocimientos suficientes para poder desarrollar un proyecto completo con modelos de Deep Learning en distintos ámbitos de aplicación. Adquiriendo los conocimientos teóricos necesarios para comprender su funcionamiento y creación, así como conocimiento de los distintos lenguajes y herramientas de programación necesarios para su implementación. Más concretamente el estudiante podrá responder a las siguientes preguntas:

• ¿ Qué es Deep Learning y para que sirve?

• ¿ Dónde aplica Deep Learning y que ventaja competitiva aporta?

• ¿ Cómo puedo cotejar su validez?

• ¿ Qué ajustes puedo hacer para mejorarlo?

• ¿ Cómo puedo evitar el sobreajuste?

• ¿ Está funcionando con el rendimiento adecuado? ¿Cómo puedo mejorarlo?

Y lo fundamental, aprenderá a utilizar y configurar las herramientas necesarias para su desarrollo e implementación en un sistema en producción en base a clases prácticas en la que lo principal será el código y ejemplos prácticos en los que se podrá constatar la importancia de estas cuestiones y sus respuestas.

Temario

1. Introducción al Machine Learning

2. Introducción al Deep Learning

3. Casos de uso

4. Modelos de Deep Learning

5. Metamodelos. Ejemplos prácticos de metamodelos y su parametrización. (DSLs)

6.Introducción a Frameworks Deep Learning

• R

• Python

• H2O

• Theano Python

• TensorFlow

7. Introducción práctica a H2O

• Entrenamiento de modelos con actualización

• Evaluación en real time con procesamiento distribuido híbrido

8. Introducción H2O Streamming.Introducción a Hive

• Ejercicios prácticos con ejemplos en Real Time.

9. Introducción a Hive

10. Integración Hive y H2O.

11. Caso práctico con Hive y H2O

12. Introducción a Deep learning con Python

• Redes neuronales con Pylearn2

• Caso práctico y aplicación de parámetrizaciones

• Introducción a libreria KERAS

• Caso práctico con Theano y Tensor Flow

Fechas, horario y lugar

Los cursos de DevAcademy son en horario NO LABORAL los VIERNES (16hrs – 21hrs) y SÁBADOS (9hrs-14hrs), pensado para que puedan asistir aquellos que estén trabajando.

Fechas: 14/10-15/10, 21/10- 22/10, 4/11-5/11 del 2016

El curso tendrá lugar en las aulas situadas en Bárbara de Braganza 11. Cerca del Metro Colón o parada Recoletos de Renfe.

Responsabilidades profesor

Presentar el contenido conforme lo presentado en el programa de formación
Dar acceso al material necesario (PDFs, ejercicios, software, etcs) para el curso contratado.

Responsabilidades alumno

Participar en la formación en el periodo determinado, trayendo un notebook con los requisitos mínimos necesarios para la participación en la formación, siendo estos los siguientes:
Mínimo de 4GB de memoria RAM
Mínimo de 10GB de espacio en disco (HD).
Habilitada la virtualización tanto en software como hardware
Poseer privilegios de administración

Observaciones importantes

Confirmaciones
Las confirmaciones serán enviadas a la dirección de e-mail enviada por el alumno

Cancelaciones
Los plazos para el cancelamiento de inscripciones solicitadas, son de 5 días laborales antes del inicio del curso.
En caso de cancelamiento fuera de plazo por parte del alumno, DevAcademy se reserva el derecho a cobrar un porcentaje (20%) del valor del curso.
DevAcademy se reserva el derecho de cancelar o posponer la formación, siempre y cuando avise al contratante y/o devuelva el importe íntegro en caso de cancelación

Obligaciones del alumno

Es obligatorio que el alumno cumpla con todos las obligaciones recomendadas por el profesor para seguir todos los ejercicios y no demorar ni perjudicar la clase. Es posible que días antes se envíe un email como recordatorio al alumno con instrucciones a seguir u obligaciones desarrollar para poder estar preparado al comienzo de la clase.