Deep Learning de A a Z:redes neuronales en Python desde cero

Aprende a crear algoritmos de aprendizaje profundo en Python con expertos en aprendizaje automático y ciencia de datos

What you'll learn:

• Comprenderás la intuición detrás de las redes neuronales artificiales
• Aplicaras las redes neuronales artificiales desde la práctica
• Comprenderás la intuición detrás de las redes neuronales convolucionales
• Aplicaras las redes neuronales convolucionales desde la práctica
• Comprenderás la intuición detrás de las redes neuronales recurrentes
• Aplicaras las redes neuronales recurrentes desde la práctica
• Comprenderás la intuición que hay detrás de los mapas auto-organizativos
• Aplicaras Mapas Auto-Organizados desde la práctica
• Comprenderás la intuición que hay detrás de las Máquinas de Boltzmann
• Aplicaras las Máquinas de Boltzmann desde la práctica
• Entenderás la intuición detrás de los AutoEncoders
• Aplicaras AutoEncoders desde la práctica

La inteligencia artificial está creciendo exponencialmente, sin lugar a dudas. Los vehículos que se conducen por sí mismos están recorriendo millones de kilómetros, IBM Watson está diagnosticando a pacientes mejor que ejércitos de médicos y el AlphaGo de Google Deepmind venció al campeón mundial de Go - un juego en el que la intuición juega un papel clave.

Pero cuanto más avanza la IA, más complejos se vuelven los problemas que deben ser solucionados. Y solamente el Deep Learning puede solucionar problemas tan complejos y por eso está en el corazón de la Inteligencia Artificial.

¿Por qué Deep Learning de la A a la Z?

Aquí hay cinco razones por las que pensamos que el Curso de Deep Learning A de la a la Z es totalmente diferente, y se destaca de la gran cantidad de programas de capacitación que existen:

1. ESTRUCTURA SÓLIDA

Lo primero y más importante en lo que nos centramos es en dotar al curso de una estructura sólida. El Deep Learning es tema muy extenso y complejo y para navegar por este laberinto se necesita una visión clara y global del mismo.

Por eso agrupamos las clases del curso en dos volúmenes, que representan las dos ramas fundamentales del Deep Learning: Deep Learning supervisado y Deep Learning no supervisado. Con cada volumen centrado en tres algoritmos distintos, hemos comprobado que esta es la mejor estructura para dominar el Deep Learning.

2. CLASES DE INTUICIÓN

Hay tantos cursos y libros que te bombardean con la teoría, las matemáticas y la codificación, pero se olvidan de explicar, quizás, la parte más importante: por qué estás haciendo lo que estás haciendo. Y es por eso que este curso es tan diferente. Nos enfocamos en desarrollar una idea intuitiva para los conceptos detrás de los algoritmos del Deep Learning.

Con nuestras clases de intuición estarás seguro de que entiendes todas las técnicas a un nivel instintivo. Y una vez que procedas con los ejercicios prácticos de codificación podrás ver por ti mismo lo significativa que será tu experiencia. Esto es un punto de inflexión.

3. PROYECTOS INTERESANTES

¿Estás cansado de los cursos basados en conjuntos de datos sobreutilizados y obsoletos?

¿Sí? Bueno, entonces te llevarás una sorpresa.

Dentro de esta clase trabajaremos en conjuntos de datos del mundo real, para resolver problemas de negocios del día a día (Definitivamente no los aburridos conjuntos de datos de clasificación de iris o dígitos que vemos en todos los cursos). Aquí, trabajaremos en seis desafíos del mundo real:

• Redes Neurales Artificiales para resolver un problema de pérdida de clientes (Customer Churn)

• Redes neuronales convolucionales para el reconocimiento de imágenes

• Redes neuronales recurrentes para predecir los precios de las acciones

• Mapas auto-organizados para investigar el fraude

• Máquinas de Boltzmann para crear un Sistema de Recomendaciones

• Los AutoEncoders apilados* para enfrentarnos al reto por el premio del millón de dólares de Netflix

*Los AutoEncoders apilados son una nueva técnica del Deep Learning que hace un par de años aun no existía. Hasta ahora no hemos visto este método explicado en ningún otro lugar con suficiente profundidad.

4. EJERCICIOS PRÁCTICOS DE CODIFICACIÓN

En el curso de Deep Learning de la A a la Z programamos contigo. Cada clase práctica comienza con un script en blanco y escribimos el código desde cero. De esta manera puedes seguir y entender exactamente cómo el código se junta y lo que cada línea significa.

Además, a propósito estructuraremos el código de tal manera que puedas descargarlo y aplicarlo en tus propios proyectos desde dos fuentes diferentes: Github para usarlo en tu propio ordenador y Google Drive, para que puedas ejecutarlo gracias a Google Collaborate. Asimismo, explicaremos paso a paso dónde y cómo modificar el código para insertar TU conjunto de datos, para ajustar el algoritmo a tus necesidades, y así obtener la salida que buscas.

Este es un curso que de forma natural podrás aplicar en tu día a día en tu propio trabajo.

5. ASISTENCIA EN EL CURSO.

¿Alguna vez has tomado un curso o leído un libro en el que tienes preguntas pero no puedes contactar con el autor?

Bueno, este curso es diferente. Estamos totalmente comprometidos en hacer de este, el curso de Deep Learning más disruptivo y poderoso del planeta. Con eso viene la responsabilidad de estar constantemente disponible cuando necesites nuestra ayuda.

De hecho, ya que físicamente también necesitamos comer y dormir, hemos reunido un equipo profesional de científicos de datos para ayudarnos. Cada vez que hagas una pregunta, recibirás una respuesta de nuestra parte en un plazo no mayor a 48 horas.

No importa lo compleja que sea tu consulta, estaremos allí. Nuestro objetivo final es que tengas éxito.

Las herramientas

TensorFlow y PyTorch son las dos librerías de código abierto más populares para el Deep Learning y en este curso aprenderás las dos.

TensorFlow fue desarrollado por Google y se utiliza en su sistema de reconocimiento de voz, en el nuevo producto de Google Photos, gmail, google search y mucho más. Las empresas que utilizan TensorFlow incluyen AirBnb, Airbus, Ebay, Intel, Uber y mcuhas más.

PyTorch es igual de potente y está siendo desarrollado por investigadores de Nvidia y universidades líderes: Stanford, Oxford, ParisTech. Las empresas que utilizan PyTorch incluyen Twitter, Saleforce y Facebook.

Entonces, ¿qué es mejor y para qué?

Pues, en este curso tendrás la oportunidad de trabajar con los dos y podrás averiguar cuándo es mejor TensorFlow y cuándo PyTorch es el mejor camino a seguir. A lo largo de nuestras clases comparamos los dos y te damos consejos e ideas sobre qué podría funcionar mejor en determinadas circunstancias.

Lo interesante es que ambas librerías tienen apenas unos pocos años de antigüedad. A eso nos referimos cuando decimos que en este curso te enseñamos los modelos y técnicas más vanguardistas del Deep Learning.

Más herramientas

Theano es otra librería de código abierto de Deep Learning. Es muy parecida a TensorFlow en su funcionalidad, pero aun así la cubriremos.

Keras es una increíble biblioteca para implementar modelos de Deep Learning. Actúa como un envoltorio para Theano y TensorFlow. Con Keras podemos crear potentes y complejos modelos de Deep Learning con sólo unas pocas líneas de código. Esto es lo que te permitirá tener una visión general de lo que estás creando. Todo lo que hagas se verá tan claro y estructurado gracias a esta librería, que realmente obtendrás la intuición y comprensión de lo que estás haciendo.

Incluso más herramientas

Scikit-learn, la biblioteca más práctica de Machine Learning. La usaremos principalmente:

• Para evaluar el rendimiento de nuestros modelos con la técnica más relevante, el k-fold cross validation

• Para mejorar nuestros modelos con un efectivo parametro personalizado

• Para pre-procesar nuestros datos, para que nuestros modelos puedan aprender en las mejores condiciones

Y por supuesto, tenemos que mencionar a las librerías usuales de nuestros cursos de machine learning y deep learning. Todo este curso está basado en Python y en cada una de sus secciones obtendrás horas y horas de invaluable experiencia práctica de codificación.

Adicionalmente, a lo largo del curso utilizaremos numpy para hacer altos cálculos y manipular matrices de altas dimensiones, matplotlib para hacer gráficos detallados y pandas para importar y manipular conjuntos de datos de la forma más eficiente.

¿A quién va dirigido este curso?

Como puedes ver, hay muchas herramientas diferentes en el espacio del Deep Learning y en este curso nos aseguramos de mostrarte las más importantes y progresivas para que cuando termines con el curso de Deep Learning de la A a la Z tus habilidades estén a la vanguardia de la tecnología actual.

Si apenas estás comenzando en el Deep Learning, entonces encontrarás este curso de gran utilidad. El curso de Deep Learning de la A a la Z está estructurado en torno a enfoques especiales de codificación de planos, lo que significa que no estarás atascado en programaciones innecesarias o complejidades matemáticas y en cambio estarás aplicando las técnicas del Deep Learning desde el principio del curso. Construirás tus conocimientos desde el inicio y verás como con cada clase te sentirás cada vez más seguro.

Si ya tienes experiencia con el Deep Learning, encontrarás este curso refrescante, inspirador y muy práctico. Dentro del curso de Deep Learning de la A a la Z dominarás algunos de los algoritmos y técnicas del Deep Learning más vanguardistas (algunos de los cuales ni siquiera existían hace un año) y a través de este curso obtendrás una enorme cantidad de valiosa experiencia práctica con los retos empresariales del mundo real. Además, en él encontrarás inspiración para explorar nuevas habilidades y aplicaciones del Deep Learning.

Estudio de casos del mundo real

Dominar el Deep Learning no sólo consiste en conocer la intuición y las herramientas, sino también en ser capaz de aplicar estos modelos a escenarios del mundo real y obtener resultados reales y medibles para el negocio o proyecto. Es por ello que en este curso presentamos seis emocionantes retos:

#1 Problema de modelización de la pérdida de clientes (Customer Churn)

En esta parte resolverás un desafío de análisis de datos para un banco. Te entregaremos un conjunto de datos con una gran muestra de los clientes del banco. Para crear este conjunto de datos, el banco recolectó información como la identificación del cliente, el puntaje de crédito, el género, la edad, la antigüedad, el balance, si el cliente está activo, tiene una tarjeta de crédito, etc. Durante un período de 6 meses, el banco observó si estos clientes abandonaban o permanecían en el banco.

El objetivo es hacer una Red Neural Artificial que pueda predecir, basándose en la información geo-demográfica y transaccional dada anteriormente, si algún cliente individual dejará el banco o se quedará (pérdida de clientes/Customer Churn)

Además, debes clasificar a todos los clientes del banco, basándose en su probabilidad de salida. Para ello, deberás utilizar el modelo correcto de Deep Learning, que se basa en un enfoque probabilístico.

Si tienes éxito en este proyecto, crearás un valor agregado significativo para el banco. Aplicando el modelo de Deep Learning, el banco puede reducir significativamente la tasa de pérdida de clientes (Customer Churn).

#2 Reconocimiento de imágenes

En esta parte, crearás una Red Neuronal Convolucional que es capaz de detectar varios objetos en imágenes. Implementaremos este modelo del Deep Learning para reconocer un gato o un perro en un conjunto de imágenes. Sin embargo, este modelo también puede ser utilizado para detectar cualquier otra cosa y te mostraremos cómo hacerlo - simplemente cambiando las imágenes en la carpeta de entrada.

Por ejemplo, podrás entrenar el mismo modelo en un conjunto de imágenes del cerebro, para detectar si tienen un tumor o no. Pero si quieres mantenerlo adaptado a los gatos y perros, entonces podrás literalmente tomar una foto de tu gato o tu perro, y el modelo podrá predecir qué mascota tienes. Incluso lo hemos probado en el perro de Hadelin!

#3 Predicción del precio de las acciones

En esta parte, crearás uno de los modelos más poderosos del Deep Learning. Incluso llegaremos a decir que crearás el modelo de Deep Learning más cercano a la "Inteligencia Artificial". ¿Por qué? Porque este modelo, como nosotros, tendrá memoria a largo plazo.

La rama del Deep Learning que facilita esto es la de las Redes Neuronales Recurrentes. Las RNN clásicas tienen poca memoria, y no eran ni populares ni poderosas por esta razón exacta. Pero una reciente e importante mejora en las Redes Neuronales Recurrentes dio lugar a la popularidad de las LSTM (Long Short Term Memory RNNs) que ha cambiado completamente el campo de juego. Estamos muy emocionados de incluir estos métodos de vanguardia del Deep Learning en nuestro curso.

En esta sección aprenderás a implementar este modelo extremadamente poderoso, y nosotros aceptaremos el reto de usarlo para predecir el precio real de las acciones de Google. Un desafío similar ya fue asumido por los investigadores de la Universidad de Stanford y nosotros trataremos de hacerlo al menos tan bien como ellos.

#4 Detección de Fraude

Según un reciente informe publicado por Markets & Markets, el mercado de la detección y prevención de fraudes tendrá un valor de 33.19 billones de dólares para el año 2021. Se trata de una industria enorme y la demanda de habilidades avanzadas de Deep Learning seguirá creciendo. Por eso hemos incluido este caso de estudio en el curso.

Esta es la primera parte del Volumen 2 - Modelos de Deep Learning no supervisados. El reto empresarial aquí es la detección del fraude en las aplicaciones de tarjetas de crédito. Vas a crear un modelo de Deep Learning para un banco y te proporcionaremos un conjunto de datos que contiene información sobre los clientes que solicitan una tarjeta de crédito avanzada.

Estos son los datos que los clientes proporcionaron al llenar el formulario de solicitud. Tu tarea es detectar el fraude potencial dentro de estas aplicaciones. Esto significa que al final del desafío, literalmente obtendrás una lista explícita de los clientes que potencialmente hicieron trampa en sus solicitudes.

#5 y 6 Sistemas de recomendación

Desde las sugerencias de productos de Amazon hasta las recomendaciones de películas de Netflix - los buenos sistemas de recomendación son muy valiosos en el mundo de hoy. Y los especialistas que pueden crearlos son algunos de los científicos de datos mejor pagados del planeta.

Trabajaremos en un conjunto de datos que tenga exactamente las mismas características que el conjunto de datos de Netflix: un montón de películas y miles de usuarios, que han valorado las películas que han visto. Las calificaciones van del 1 al 5, exactamente como en el conjunto de datos de Netflix, lo que hace que el Sistema de Recomendaciones sea más complejo de construir que en el caso de las calificaciones fueran que son sencillamente "Me Gusta" o "No me gusta".

Tu sistema de recomendación final será capaz de predecir las clasificaciones de las películas que los clientes no vieron. Por consiguiente, al clasificar las predicciones de 5 a 1, tu modelo de Deep Learning podrá recomendar qué películas debería ver cada usuario. Crear un sistema de recomendación tan poderoso es un gran reto, así que nos daremos dos oportunidades. Eso significa que lo construiremos con dos modelos diferentes de Deep Learning.

Nuestro primer modelo será Deep Belief Networks, máquinas complejas de Boltzmann que se abordarán en la Parte 5. Luego, nuestro segundo modelo será con los poderosos AutoEncoders, que personalmente, son mis favoritos. Podrás apreciar el contraste entre su simplicidad, y lo que son capaces de hacer.

E incluso podrás aplicarlo a ti mismo o a tus amigos. La lista de películas será explícita, así que sólo tendrás que calificar las películas que ya has visto, introducir tus calificaciones en el conjunto de datos, ejecutar tu modelo y ¡voilà! El sistema de recomendación te dirá con exactitud qué películas te encantarán si no tienes idea de qué ver en Netflix!

Resumen

En conclusión, este es un programa de formación muy emocionante, lleno de tutoriales de intuición, ejercicios prácticos y casos de estudio del mundo real.

Estamos súper entusiasmados con el Deep Learning y esperamos verte pronto en clases.

Juan Gabriel, Kirill y Hadelin