Deep Learning Generativo con Python

- Modalidad en línea - On demand
- Incluye certificado de finalización con identificador único
- Asesoría mediante WhatsApp (directo con el instructor)
- Acceso permanente al contenido
Lo que Aprenderás
Descubre el potencial creativo de la inteligencia artificial con este curso completo de Deep Learning Generativo. Aprenderás a desarrollar modelos capaces de generar imágenes, texto, audio y más, dominando las técnicas más modernas en el campo del aprendizaje profundo.
A lo largo del curso te introducirás en los fundamentos del deep learning generativo y explorarás una amplia variedad de arquitecturas y enfoques. Comenzarás con autoencoders variacionales (VAE) y redes generativas adversativas (GANs), para después profundizar en modelos más avanzados como modelos autorregresivos, modelos de flujo normalizado, modelos basados en energía y modelos de difusión, actualmente utilizados en herramientas de generación de imágenes de alta calidad.
También aprenderás cómo aplicar transformers en contextos generativos y explorarás modelos multimodales, que combinan múltiples tipos de datos como texto e imágenes en un solo sistema.
Este curso está diseñado para desarrolladores, investigadores y entusiastas del aprendizaje profundo que buscan dominar las técnicas más poderosas y actuales en generación automática de contenido. Al finalizar, estarás capacitado para implementar desde cero modelos generativos de última generación, entender su funcionamiento interno y aplicarlos en proyectos reales.
- Deep Learning Generativo
- Modelos Generativos
- Deep Learning
- Autoencoders variacionales
- Redes Generativas Adversativas
- Modelos autorregresivos
- Modelos de flujo de normalización
- Modelos basados en energía
- Modelo de difusión
- Transformers
- Redes GAN avanzadas
- Modelo multi modales
Material y equipo necesario
- Laptop o computadora de escritorio con Core i3 o superior, 16GB RAM (mínimo), gráfica NVIDIA serie RTX o con soporte para CUDA, sistema Windows
- Python 3.9
- Listo, no requieres más material
Preguntas frecuentes
El acceso es permanente?
Incluye alguna constancia o diploma?
Es un curso pregrabado, ¿Qué pasa si tengo dudas?
Puedes contactar al instructor en todo momento mediante WhatsApp, o consultar en el grupo exclusivo de estudiantes. Normalmente demoramos un par de minutos en ver tu mensaje.
Requiero 100% la tarjeta con soporte para CUDA?
Para seguir el curso al pie de la letra, si. Esto es debido a que trabajamos directamente sobre una PC para que el desarrollo sea extremadamente similar a como lo realizaría en un entorno real. Si bien puede realizar el curso sobre COLAB para evitar la compra de una tarjeta con soporte CUDA, COLAB no se encuentra incluido como tema dentro del curso.
La tarjeta gráfica con soporte CUDA ayuda a acelerar el entrenamiento de los modelos realizados, de otra manera cada entrenamiento puede durar desde un par de horas hasta días.
Currículum
- 13 Sections
- 56 Lessons
- Duración
- Cursos de regularización1
- Introducción5
- Modelos generativos8
- 3.1Introducción1 Minutes
- 3.2¿Qué es el modelado generativo?3 Minutes
- 3.3Modelado generativo VS discriminativo3 Minutes
- 3.4El auge del modelado generativo2 Minutes
- 3.5Modelado generativo e IA3 Minutes
- 3.6Mi primer modelo generativo7 Minutes
- 3.7Aprendizaje de representación5 Minutes
- 3.8Taxonomía del modelo generativo3 Minutes
- Deep Learning16
- 4.1Introducción2 Minutes
- 4.2Datos5 Minutes
- 4.3Deep Neural Networks – ¿Qué es una red neuronal?4 Minutes
- 4.4Deep Neural Networks – Características avanzadas3 Minutes
- 4.5Deep Neural Networks – Tensorflow y Keras1 Minutes
- 4.6El perceptrón multicapa – Introducción2 Minutes
- 4.7El perceptrón multicapa – Preparación de los datos13 Minutes
- 4.8El perceptrón multicapa – Creación del modelo14 Minutes
- 4.9El perceptrón multicapa – Compilar modelo6 Minutes
- 4.10El perceptrón multicapa – Entrenamiento6 Minutes
- 4.11El perceptrón multicapa – Evaluación22 Minutes
- 4.12Red neuronal convolucional – Capas convolucionales8 Minutes
- 4.13Red neuronal convolucional – Capas convolucionales – Parametros10 Minutes
- 4.14Red neuronal convolucional – Normalización por lotes7 Minutes
- 4.15Red neuronal convolucional – Dropout4 Minutes
- 4.16Red neuronal convolucional – Entrenamiento de una red neuronal convolucional16 Minutes
- Autoencoders variacionales13
- 5.1Introducción6 Minutes
- 5.2Estructura del autoencoder21 Minutes
- 5.3Entrenamiento del autoencoder5 Minutes
- 5.4Reconstruir imágenes8 Minutes
- 5.5Ver el espacio latente6 Minutes
- 5.6Generar nuevas imágenes11 Minutes
- 5.7Autocodificadores variacionales8 Minutes
- 5.8Autocodificadores variacionales – Capa personalizada para muestreo10 Minutes
- 5.9Autocodificadores variacionales – La función de pérdida4 Minutes
- 5.10Autocodificadores variacionales – Construcción y entrenamiento26 Minutes
- 5.11Análisis del autocodificador variacional11 Minutes
- 5.12Reconstrucción de imágenes de rostros – El modelo18 Minutes
- 5.13Reconstrucción de imágenes de rostros – Predicciones8 Minutes
- Redes generativas adversativas13
- 6.1Introducción4 Minutes
- 6.2Aplicaciones de las GAN y diferencias contra los Autoencoders4 Minutes
- 6.3Conjunto de datos6 Minutes
- 6.4El discriminador6 Minutes
- 6.5El generador7 Minutes
- 6.6Entrenar la red43 Minutes
- 6.7Consejos y trucos15 Minutes
- 6.8Red GAN de Wasserstein con penalización de gradiente – Introducción2 Minutes
- 6.9Pérdida de Wasserstein5 Minutes
- 6.10La restricción de Lipschitz y La pérdida de penalización de gradiente5 Minutes
- 6.11Creación del Crítico8 Minutes
- 6.12Entrenamiento de WGAN-GP23 Minutes
- 6.13GAN Condicional13 Minutes
- Modelos autorregresivos0
- Modelos de flujos de normalización0
- Modelos basados en energía0
- Modelos de difusión0
- Transformers0
- Redes GAN avanzadas0
- Modelos multimodales0

Soy un apasionado por la innovación tecnológica, el desarrollo y el emprendimiento. Durante mi educación superior me enfoqué en la programación de software para visión artificial e inteligencia artificial. Poco después al graduarme tuve la oportunidad de aplicar estos conocimientos en el desarrollo de soluciones para empresas como General Motors, Ford, Harley-Davidson, Mack, Tesla y unas cuantas empresas más del ramo automotriz.
Adquierlo en paquete
Posiblemente estés interesado en
-
Todos los niveles
-
17 Estudiante
-
0 Lección
-
Principiante
-
113 Estudiante
-
52 Lección
-
Intermedio
-
115 Estudiante
-
44 Lección
-
Principiante
-
118 Estudiante
-
68 Lección
Sign up to receive our latest updates
Ponte en contacto
Dirección
Temas populares
- © 2024 Academia TIN. Todos los derechos reservados.