Desarrolla habilidades prácticas en redes neuronales y visión por computadora con los principales frameworks de deep learning.
Certificado del Programa
Los usuarios que se suscriban a este curso, tienen la oportunidad de obtener un Certificado de estudios con validez SEP , verificable, imprimible y descargable (PDF) .
Para Obtener tu certificado SEP deberás presentar tu certificado de finalización de coursera. Tu membresía tiene incluida la emisión de 1 Certificado para el curso que elijas.
Si quieres cursar otro programa con certificado este tiene un costo de emisión de MXN $1,950
-
-
- Introducción al curso 00:03:11
- Resumen del curso 00:05:00
- Consejos útiles para completar el curso 00:02:00
- Introducción al aprendizaje profundo 00:04:01
- Neuronas y redes neuronales 00:03:48
- Redes neuronales artificiales 00:05:52
- Redes neuronales artificiales – Propagación hacia delante 00:30:00
- Cuestionario práctico: Introducción a las redes neuronales y el aprendizaje profundo 00:20:00
- Resumen del módulo: Introducción a las redes neuronales y el aprendizaje profundo 00:03:00
- Módulo 1 Cuestionario graduado: Introducción a las redes neuronales y el aprendizaje profundo 00:20:00
- Descenso gradual 00:05:10
- Retropropagación 00:08:30
- Laboratorio Backpropagation 00:30:00
- Gradiente evanescente 00:02:22
- Funciones de activación 00:05:34
- Laboratorio: Gradiente de fuga y funciones de activación 00:20:00
- Cuestionario práctico: Fundamentos del Aprendizaje profundo 00:20:00
- Resumen del módulo 2: Conceptos básicos del Aprendizaje profundo 00:03:00
- Módulo 2 Cuestionario graduado: Fundamentos del Aprendizaje profundo 00:20:00
- Redes neuronales superficiales frente a profundas 00:03:01
- Redes neuronales convolucionales 00:07:41
- Redes neuronales convolucionales con Keras 01:00:00
- Redes neuronales recurrentes 00:02:48
- Transformers 00:06:51
- Laboratorio: Transformadores con Keras 00:30:00
- Autocodificadores 00:03:20
- Uso de modelos preentrenados 00:05:03
- Cuestionario práctico: Redes neuronales supervisadas y no supervisadas 00:20:00
- Resumen del módulo 4: Modelos de aprendizaje profundo 00:03:00
- Módulo 4 Cuestionario graduado: Modelos de Aprendizaje profundo 00:20:00
- CNN avanzadas en Keras 00:04:40
- Técnicas de Aumento de datos 00:03:21
- Aumento de datos avanzado con Keras 00:30:00
- Cuestionario práctico: CNN avanzadas y Aumento de datos 00:20:00
- Aprendizaje por transferencia en Keras 00:07:17
- Uso de modelos preentrenados 00:05:03
- Laboratorio: Aprendizaje por transferencia 00:30:00
- TensorFlow para el procesamiento de imágenes 00:02:53
- Lectura: Consejos para la aplicación del Aprendizaje por transferencia 00:05:00
- Cuestionario práctico: Aprendizaje por transferencia en modelos preentrenados y procesamiento de imágenes 00:20:00
- Convolución transpuesta 00:03:30
- Laboratorio: Aplicación práctica de la convolución transpuesta 01:00:00
- Práctica: Introducción a la convolución transpuesta 00:20:00
- Resumen y aspectos destacados: CNN avanzadas en Keras 00:01:00
- Glosario: CNN avanzadas en Keras 00:15:00
- Cuestionario graduado: CNN avanzadas en Keras 00:20:00
- Introducción al aprendizaje no supervisado en Keras 00:04:32
- Construyendo Autoencoders en Keras 00:03:33
- Laboratorio: Construcción de autocodificadores 01:00:00
- Modelos de difusión 00:03:33
- Laboratorio Aplicación de modelos de difusión 00:45:00
- Cuestionario práctico: Aprendizaje no supervisado, autocodificadores y modelos de difusión 00:20:00
- Redes generativas adversariales (GAN) 00:04:08
- TensorFlow para el aprendizaje no supervisado 00:03:14
- Laboratorio: Desarrollar GANs usando Keras 00:30:00
- Cuestionario práctico: GANs y TensorFlow 00:20:00
- Resumen y aspectos destacados: Aprendizaje no supervisado y modelos generativos en Keras 00:02:00
- Glosario: Aprendizaje no supervisado y modelos generativos en Keras 00:15:00
- Cuestionario graduado: Aprendizaje no supervisado y Modelos generativos en Keras 00:20:00
- Aprendizaje por refuerzo (RL) 00:08:02
- Aprendizaje Q con Keras 00:07:41
- Laboratorio: Implementación de Q-Learning en Keras 01:00:00
- Redes Q profundas (DQN) con Keras 00:05:25
- Laboratorio: Creación de una red Q profunda con Keras 01:00:00
- Cuestionario práctico: Aprendizaje de refuerzo, Q-Learning, Q-Networks (DQNs) 00:20:00
- Resumen y aspectos destacados: Introducción al Aprendizaje de refuerzo con Keras 00:01:00
- Glosario: Introducción al Aprendizaje de Refuerzo con Keras 00:05:00
- Cuestionario graduado: Introducción al Aprendizaje de refuerzo con Keras 00:20:00
- Creación de conjuntos de datos sencillos en PyTorch 00:05:13
- Laboratorio Conjunto de datos simple 00:30:00
- Creación de conjuntos de datos de imágenes en PyTorch 00:05:36
- Laboratorio Conjuntos de datos de Torch Vision 00:10:00
- Cuestionario práctico: Conjuntos de datos 00:20:00
- Podcast: Resumen y aspectos destacados: Conjuntos de datos 00:03:00
- Cuestionario graduado: Conjuntos de datos 00:20:00
- Descenso Gradiente Estocástico 00:04:03
- Laboratorio: Descenso gradiente estocástico y cargador de datos 00:30:00
- Mini-lote de descenso gradual 00:04:11
- Mini-lote de descenso gradual 00:30:00
- Optimización en PyTorch 00:04:14
- Laboratorio: Optimización en PyTorch 00:30:00
- Formación, validación y prueba 00:04:36
- Partición de entrenamiento, validación y prueba en PyTorch 00:05:43
- Laboratorio: Formación, validación y prueba de división en PyTorch 00:30:00
- Cuestionario práctico: Métodos de Descenso Gradiente y Flujos de Trabajo de Entrenamiento en PyTorch 00:20:00
- Resumen y aspectos destacados: Regresión lineal al estilo PyTorch 00:05:00
- Cuestionario graduado: Regresión Lineal PyTorch Way 00:20:00
- Introducción a los clasificadores lineales 00:05:00
- Función sigmoidea y umbral de probabilidad 00:04:17
- Regresión logística Predicción 00:04:50
- Regresión logística Predicción 00:15:00
- Cuestionario práctico: Regresión logística para la clasificación 00:20:00
- Distribución Bernoulli y estimación de máxima verosimilitud 00:05:49
- Vídeo: Pérdida de entropía cruzada en regresión logística 00:05:28
- Aplicación de la pérdida de entropía cruzada en la regresión logística de PyTorch 00:04:20
- Laboratorio: Regresión logística Error cuadrático medio 00:14:00
- Laboratorio Regresión logística Entropía cruzada 00:15:00
- Técnicas avanzadas de optimización y formación 00:06:25
- Regularización y generalización 00:05:14
- Cuestionario práctico: Regresión logística y entropía cruzada 00:20:00
- Resumen y aspectos destacados: Regresión logística para la clasificación 00:05:00
- Cuestionario graduado: Regresión logística para la clasificación 00:20:00
- Introducción a la función Softmax 00:05:47
- Función Softmax: Uso de líneas para clasificar la predicción de datos 00:06:01
- Flujo de trabajo de clasificación Softmax en PyTorch 00:05:22
- Explicación de la clasificación multiclase con Softmax en PyTorch 00:15:00
- Clasificador Softmax 1 00:30:00
- Clasificación Softmax para MNIST en PyTorch 00:06:11
- Clasificador Softmax 2 00:30:00
- Funciones de activación 00:06:17
- Funciones de activación 00:20:00
- Práctica: Construcción de Modelos de Regresión Softmax con Funciones de Activación 00:20:00
- Podcast: Resumen y aspectos destacados: Creación de modelos de regresión Softmax con funciones de activación 00:03:00
- Cuestionario graduado: Construcción de Modelos de Regresión Softmax con Funciones de Activación 00:20:00
- Redes neuronales profundas 00:05:13
- Redes neuronales profundas 00:10:00
- Redes neuronales más profundas: nn.ModuleList() 00:04:11
- Redes neuronales más profundas: nn.ModuleList() 00:20:00
- Cómo el abandono reduce el sobreajuste 00:06:30
- Uso del abandono en la regresión 00:10:00
- Uso del abandono en modelos PyTorch 00:02:54
- Uso del abandono para la clasificación 00:20:00
- Lectura: El papel del abandono en la regularización y la generalización de modelos 00:03:00
- Tendencias actuales en PyTorch 00:04:08
- Cuestionario práctico: Construcción de redes neuronales profundas 00:20:00
- Pesos de inicialización de la red neuronal 00:06:33
- Explicación de la inicialización de pesos y la estabilidad del gradiente en redes profundas 00:15:00
- Inicialización con los mismos pesos 00:30:00
- Prueba de Inicialización Predeterminada, Xavier y Uniforme en el conjunto de datos MNIST con Activación Tanh 00:25:00
- Prueba de Inicialización Predeterminada, He, y Uniforme en el Conjunto de Datos MNIST con Activación ReLU 00:15:00
- Descenso Gradiente con Momentum: Fallos de inicialización y gradientes evanescentes 00:06:31
- Descenso Gradiente con Momento: Métodos de inicialización de Xavier y He 00:06:03
- Momento con diferentes polinomios 00:25:00
- Redes neuronales con impulso 00:20:00
- Normalización por lotes 00:04:35
- Normalización por lotes con el conjunto de datos MNIST 00:25:00
- Cuestionario práctico: Pesos de Inicialización de Redes Neuronales 00:20:00
- Podcast: Resumen y aspectos destacados: Optimización de redes profundas 00:04:00
- Cuestionario graduado: Optimización de redes profundas 00:20:00
- Proyecto de prácticas: Red neuronal convolucional para la clasificación de imágenes de anime 00:30:00
- Lectura: Directrices y entregables para la presentación del proyecto final 00:03:00
- Proyecto Final: Clasificación MNIST de la moda 01:00:00
- Opción 1: AI Graded – Proyecto final: Presentación y evaluación 00:05:00
- Opción 2: Calificación por pares – Presentación y evaluación del proyecto final 00:15:00
- Examen final 00:20:00
- Resumen del curso 00:04:00
- Felicitaciones y próximos pasos 00:01:00
- Equipo y agradecimientos 00:01:00
- Introducción al curso 00:03:36
- Proyecto Capstone 00:04:00
- Visión general del proyecto Capstone 00:05:48
- Lectura: Visión general de la carga de datos 00:05:00
- Lectura: Resumen de la tarea: Comparación de la carga de datos basada en memoria frente a la basada en generador 00:02:00
- Laboratorio: Comparación de la carga de datos basada en memoria frente a la basada en generador 00:30:00
- Cuestionario graduado: Lista de control: Carga de datos 00:20:00
- Lectura: Resumen de la Asignación: Carga y Aumento de datos usando Keras 00:02:00
- Laboratorio: Carga y Aumento de datos usando Keras 00:30:00
- Cuestionario graduado: Lista de control: Carga y Aumento de datos usando Keras 00:20:00
- Lectura: Resumen de la Asignación: Carga y Aumento de datos usando PyTorch 00:02:00
- Laboratorio: Carga y Aumento de datos con PyTorch 01:00:00
- Cuestionario graduado: Lista de control: Carga y Aumento de datos con PyTorch 00:20:00
- Cuestionario graduado: Tratamiento de datos 00:20:00
- Lectura: Resumen de la asignación: Transformadores de visión y Aprendizaje por transferencia 00:05:00
- Aprendizaje por transferencia y transformadores de visión 00:07:22
- Lectura: Assignment Overview: Transformadores de Visión en Keras 00:03:00
- Laboratorio: Transformadores de visión con Keras 01:00:00
- Cuestionario graduado: Lista de control: Transformadores de Visión con Keras 00:20:00
- Lectura: Resumen de la tarea: Transformadores de Visión con PyTorch 00:02:00
- Laboratorio: Transformadores de visión en PyTorch 01:00:00
- Cuestionario graduado: Lista de control: Transformadores de Visión usando PyTorch 00:20:00
- Lectura: Resumen de la tarea: Comparación de ViTs: Keras frente a PyTorch 00:02:00
- Lab: Clasificación de Tierras: Evaluación de la integración CNN-transformador 01:30:00
- Cuestionario práctico: Lista de control: Evaluación de la integración CNN-transformador 00:20:00
- Cuestionario graduado: CNN – Integración del transformador de visión 00:20:00
Comparte esta certificación.
Información del Curso
240 Horas Curriculares
24 Créditos Académicos
Accede por tu Smartphone
Certificado oficial SEP
Aprendizaje especializado
Contenido de la Certificación
Desarrolla habilidades prácticas en redes neuronales y visión por computadora con los principales frameworks de deep learning.
Este certificado te introduce al aprendizaje profundo, sus redes multi‑capa y aplicaciones en la ola de IA generativa.
Trabajarás con PyTorch, Keras y TensorFlow para implementar regresiones, redes neuronales (shallow y deep), y CNNs, además de técnicas como dropout y batch normalization.
Obtendrás habilidades listas para el trabajo y práctica con gradiente descendente, clasificación multiclase (softmax) y flujos de datos para entrenamiento.
CURSO 1–2: Fundamentos de Deep Learning
- Conceptos base y tareas de clasificación/regresión
CURSO 3: Introduction to Neural Networks and PyTorch
- Entrenar regresión lineal y logística en PyTorch
- Manejo de datos y optimización con gradiente
CURSO 4–5: Redes Profundas y CNNs (Keras/TensorFlow)
- Arquitecturas profundas, dropout y normalización
- Construcción de CNN y funciones de activación
