Introducción
  • Introducción del Curso: Aplicaciones del Deep Learning
  • Introducción del curso: Introducción teórica y de contenidos
Instrumentación e instalación
  • Instalacion en Windows Parte 1: Introducción y Python
  • Instalación en Windows Parte 2: Cuda y CuDnn
  • Instalación en WIndows Parte 3: Entorno Anaconda y Pycharm
  • Instalación en Windows Parte 4: Primer código
  • Instalación en Linux Parte 1: introducción y instalación de Python
  • Instalación en Linux Parte 2: Instalación de Cuda y Cudnn
  • Instalación en Linux Parte 3: Instalación de Entorno, Ide y Librerías
  • Instalación en Linux Parte 4: Primer código
  • Uso de Google Collab y primer código de Deep Learning
  • Test de Conocimientos Iniciales sobre el entorno de programación
Videos complementarios al curso
  • El cambio de Tensorflow 1.x.x a Tensorflow 2.x.x
Redes Neuronales Clásicas
  • Redes Neuronales Clásicas: Introducción
  • Redes Neuronales Clásicas: El Perceptron
  • Redes Neuronales Clásicas: La Neurona
  • Redes Neuronales Clásicas: La Función de Activación
  • Redes Neuronales Clásicas: Estructura
  • Redes Neuronales Clásicas: Preprocesado de Datos
  • Redes Neuronales Clásicas: El Entrenamiento Parte 1
  • Redes Neuronales Clásicas: El Entrenamiento Parte 2
  • Redes Neuronales Clásicas: Las Neuronas en Keras/Tensorflow
  • Redes Neuronales Clásicas: Métodos y Callbacks más conocidos
  • Redes Neuronales Clásicas: Ejemplo Práctico
  • Test de redes clásicas
Redes Neuronales Convolucionales
  • Redes Neuronales Convolucionales Parte 1: Introducción
  • Redes Neuronales Convolucionales Parte 2: Capas Convolucionales
  • Redes Neuronales Convolucionales Parte 3: Capas Densas
  • Redes Neuronales Convolucionales Parte 4: Max Pooling
  • Redes Neuronales Convolucionales Parte 5: Dropout
  • Redes Neuronales Convolucionales Parte 6: Batch Normalization
  • Redes Neuronales Convolucionales Parte 7: Activaciones
  • Redes Neuronales Convolucionales Parte 8: Ejemplo Práctico
  • Lección Complementaria: Guardado y cargado de mejores modelos entrenados
  • Tipos de problemas: Clasificacion Multiclase
  • Tipos de problemas: Regresion
  • Tipos de problemas: Clasificacion Binaria
  • Arquitecturas más conocidas: Alexnet
  • Arquitecturas más conocidas: VGG16
  • Arquitecturas más conocidas: Inception V3
  • Arquitecturas más conocidas: Resnet
  • Arquitecturas más conocidas: Inception-Resnet and Inception V4
  • Arquitecturas más conocidas: Xception
  • Comparacion arquitecturas, Fine tuning y Transfer learning
  • Cuestionario de Redes Convolucionales
Redes Neuronales Recurrentes
  • Introducción a redes recurrentes
  • Redes Recurrentes Simples (RNN)
  • Redes de Puertas Recurrentes(GRU)
  • LSTM
  • Caso Práctico de Redes Neuronales Recurrentes aplicadas a series temporales
  • Caso Práctico de Redes Neuronales Recurrentes Convolucionales
  • Caso Práctico de Redes Neuronales Recurrentes aplicadas a texto
  • Caso Práctico de Redes Neuronales Recurrentes Aplicadas a Texto-Ejemplo Avanzado
  • Cuestionario de Redes Recurrentes
Otros tipos de Redes y arquitecturas
  • Introduccion
  • Redes Convolucionales 1D
  • Redes Codificación-Decodificación(Encoder-Decoder)
  • You Only Look Once: Yolo V1
  • You Only Look Once: Yolo V2
  • You Only Look Once: Yolo V3
  • You Only Look Once: Clase práctica
  • Redes Adversarias Generativas: Introduccion y Funcionamiento
  • Redes Adversarias Generativas: Superresolución y SRGAN
  • Redes Adversarias Generativas: Generación de imágenes con Pix2Pix
Retos y Problemas a afrontar
  • Introducción
  • Detección de personas en imágenes de profundidad