Redes generativas adversariales (GAN)
Irrumpir en el espacio de las GAN
Así estudias: curso autodidacta
- Autodidacta y 100% en línea: contenido disponible 24/7.
- Avanzas a tu ritmo: la plataforma guarda tu progreso.
- Sin tutor ni clases en vivo: el curso está diseñado para estudiarse por tu cuenta.
- Te evalúas con actividades automáticas, sin entregas a un tutor.
Lo que serás capaz de hacer
Acerca de las GAN Las redes generativas adversariales (GAN) son potentes modelos de aprendizaje automático capaces de generar resultados realistas de imagen, vídeo y voz. Arraigadas en la teoría de juegos, las GAN tienen una amplia aplicación: desde la mejora de la ciberseguridad mediante la lucha contra ataques adversariales y la anonimización de datos para preservar la privacidad hasta la generación de imágenes de última generación, la coloración de imágenes en blanco y negro, el aumento de la resolución de las imágenes, la creación de avatares, la conversión de imágenes 2D a 3D y mucho más. Acerca de esta Specializations La Specialization DeepLearning.AI Generative Adversarial Networks (GANs) ofrece una apasionante introducción a la generación de imágenes con GANs, trazando un camino desde los conceptos fundamentales hasta las técnicas avanzadas a través de un enfoque fácil de entender. También cubre las implicaciones sociales, incluyendo el sesgo en ML y las formas de detectarlo, la preservación de la privacidad, etc. Construya una amplia base de conocimientos y adquiera experiencia práctica en GANs. Entrene su propio modelo utilizando PyTorch, utilícelo para crear imágenes y evalúe una variedad de GANs avanzados. Sobre usted Esta Specializations está dirigida a ingenieros de software, estudiantes e investigadores de cualquier campo, que estén interesados en el aprendizaje automático y quieran entender cómo funcionan las GANs. Esta Specializations proporciona una vía accesible para todos los niveles de estudiantes que busquen introducirse en el espacio de las GANs o aplicar las GANs a sus propios proyectos, incluso sin estar familiarizados previamente con las matemáticas avanzadas y la investigación en aprendizaje automático.
- Entender los componentes de GAN, construir GANs básicos usando PyTorch y DCGANs avanzados usando capas convolucionales, controlar su GAN y construir GAN condicional
- Compare modelos generativos, utilice el método FID para evaluar la fidelidad y la diversidad del GAN, aprenda a detectar sesgos en el GAN e implemente técnicas StyleGAN
- Utilice las GAN para el aumento de datos y la preservación de la privacidad, estudie las aplicaciones de las GAN y examine y construya Pix2Pix y CycleGAN para la traducción de imágenes
Temario
UNIDAD 1 - Semana 1: Introducción a los GAN · 19 leccionesConstruir redes generativas adversariales (GAN) básicas - UNIDAD 1 - Semana 1: Introducción a los GAN
Construir redes generativas adversariales (GAN) básicas - UNIDAD 1 - Semana 1: Introducción a los GAN
- Bienvenido a la Specializations
- Bienvenidos a la Semana 1
- Plan de estudios
- ¡Join the DeepLearning.IA Forum to ask questions, get support, or share amazing ideas!
- Modelos generativos
- GAN en la vida real
- ¡Eche un vistazo a algunas personas inexistentes!
- La intuición tras las GAN
- Discriminador
- Generador
- Función de costes del BCE
- Ponerlo todo junto
- (Opcional) Introducción a PyTorch
- (Opcional) Introducción a PyTorch
- Encuesta de admisión
- (Opcional) Notas de clase W1
- Su primer GAN
- Obras citadas
- Cómo refrescar su espacio de trabajo
UNIDAD 2 - Semana 2: GAN convolucionales profundas · 15 leccionesConstruir redes generativas adversariales (GAN) básicas - UNIDAD 2 - Semana 2: GAN convolucionales profundas
Construir redes generativas adversariales (GAN) básicas - UNIDAD 2 - Semana 2: GAN convolucionales profundas
- Bienvenidos a la segunda semana
- Activaciones (Propiedades básicas)
- Funciones comunes de activación
- Normalización por lotes (Explicado)
- Normalización por lotes (procedimiento)
- Revisión de Convolutions
- Acolchado y zancada
- Agrupación y sobremuestreo
- Convoluciones transpuestas
- (Opcional) Una mirada más de cerca a las convoluciones transpuestas
- (Opcional) Notas de clase W2
- GAN convolucional profundo (DCGAN)
- (Opcional) El papel DCGAN
- (Cuaderno opcional) GAN para vídeo
- Obras citadas
UNIDAD 3 - Semana 3: GANs de Wasserstein con penalización de gradiente · 14 leccionesConstruir redes generativas adversariales (GAN) básicas - UNIDAD 3 - Semana 3: GANs de Wasserstein con penalización de gradiente
Construir redes generativas adversariales (GAN) básicas - UNIDAD 3 - Semana 3: GANs de Wasserstein con penalización de gradiente
- Bienvenidos a la tercera semana
- Modo Colapso
- Problema con la pérdida de BCE
- Distancia del movimiento de tierras
- Pérdida de Wasserstein
- Condición sobre Wasserstein Crítica
- cumplimiento de la continuidad 1-Lipschitz
- (Opcional) Notas de clase W3
- (Opcional) SN-GAN
- WGAN
- (Cuaderno opcional) ProteinGAN
- (Opcional) Los documentos WGAN y WGAN-GP
- (Opcional) Paseo por el WGAN
- Obras citadas
UNIDAD 4 - Semana 4: GAN condicional y generación controlable · 18 leccionesConstruir redes generativas adversariales (GAN) básicas - UNIDAD 4 - Semana 4: GAN condicional y generación controlable
Construir redes generativas adversariales (GAN) básicas - UNIDAD 4 - Semana 4: GAN condicional y generación controlable
- Bienvenidos a la cuarta semana
- Generación condicional: Intuición
- Generación condicional: Entradas
- GAN condicional
- (Opcional) InfoGAN
- (Opcional) El papel GAN condicional
- Generación controlable
- Álgebra vectorial en el espacio Z
- Retos de la generación controlable
- Gradientes del clasificador
- Desenredo
- (Opcional) Notas de clase W4
- [IMPORTANTE] Recordatorio sobre el fin del acceso a los cuadernos de laboratorio
- Generación controlable
- (Opcional) Un ejemplo de GAN controlable
- Obras citadas
- Conclusión del curso 1
- Agradecimientos
UNIDAD 5 - Semana 1: Evaluación de las GAN · 20 leccionesConstruir mejores redes generativas adversariales (GAN) - UNIDAD 5 - Semana 1: Evaluación de las GAN
Construir mejores redes generativas adversariales (GAN) - UNIDAD 5 - Semana 1: Evaluación de las GAN
- Bienvenido al Curso 2
- Bienvenidos a la Semana 1
- Plan de estudios
- ¡Join the DeepLearning.IA Forum to ask questions, get support, or share amazing ideas!
- Evaluación
- Comparación de imágenes
- Extracción de características
- Inception-v3 e incrustaciones
- Distancia de inicio de Fréchet (FID)
- Puntuación inicial
- (Opcional) Una mirada más de cerca a la puntuación de Inception
- Muestreo y truncamiento
- (Opcional) ¡¡¡HIPE!!!
- Precisión y recuperación
- (Opcional) Más sobre Precisión y Recall
- (Opcional) Notas de clase W1
- Fréchet Distancia de inicio
- (Opcional) Longitud de la trayectoria perceptiva
- (Opcional) Recapitulación de FID e IS
- Obras citadas
UNIDAD 6 - Semana 2: Desventajas y sesgos del GAN · 18 leccionesConstruir mejores redes generativas adversariales (GAN) - UNIDAD 6 - Semana 2: Desventajas y sesgos del GAN
Construir mejores redes generativas adversariales (GAN) - UNIDAD 6 - Semana 2: Desventajas y sesgos del GAN
- Bienvenidos a la segunda semana
- Desventajas de las GAN
- Alternativas a las GAN
- Alternativas: Autocodificadores variacionales (VAE)
- (Cuaderno opcional) Modelado generativo basado en la puntuación
- Sesgo de la máquina
- Introducción al sesgo de la máquina
- Definiciones de equidad
- Un estudio sobre el sesgo y la imparcialidad en el aprendizaje automático
- Definir la equidad
- Encontrar sesgos
- Formas en que se introduce el sesgo
- (Opcional) Notas de clase W2
- Sesgo
- (Cuaderno opcional) Desfase del GAN
- Analizar la parcialidad
- Obras citadas
- (Cuaderno opcional) NeRF: Campos de radiancia neuronal
UNIDAD 7 - Semana 3: StyleGAN y avances · 18 leccionesConstruir mejores redes generativas adversariales (GAN) - UNIDAD 7 - Semana 3: StyleGAN y avances
Construir mejores redes generativas adversariales (GAN) - UNIDAD 7 - Semana 3: StyleGAN y avances
- Bienvenidos a la tercera semana
- Mejoras del GAN
- Visión general de StyleGAN
- Crecimiento progresivo
- Red de mapas de ruido
- Normalización adaptativa de instancias (AdaIN)
- Estilo y variación estocástica
- Ponerlo todo junto
- (Opcional) Notas de clase W3
- [IMPORTANTE] Recordatorio sobre el fin del acceso a los cuadernos de laboratorio
- Componentes de StyleGAN
- (Opcional) Componentes de StyleGAN2
- (Opcional) Componentes de BigGAN
- (Opcional) El documento StyleGAN
- (Opcional) Paseo por StyleGAN y más allá
- Obras citadas
- Conclusión del curso 2
- Agradecimientos
UNIDAD 8 - Semana 1: GANs para el aumento de datos y la privacidad · 18 leccionesAplicar redes generativas adversariales (GAN) - UNIDAD 8 - Semana 1: GANs para el aumento de datos y la privacidad
Aplicar redes generativas adversariales (GAN) - UNIDAD 8 - Semana 1: GANs para el aumento de datos y la privacidad
- Bienvenido al Curso 3
- Juramento hipocrático de la GAN
- Bienvenidos a la Semana 1
- Plan de estudios
- ¡Join the DeepLearning.IA Forum to ask questions, get support, or share amazing ideas!
- Visión general de las aplicaciones GAN
- Aumento de datos: Métodos y usos
- (Opcional) Aumento automatizado de datos
- Aumento de datos: Pros y contras
- GANs para la privacidad
- GAN para el anonimato
- (Opcional) Notas de clase W1
- Aumento de datos
- (Cuaderno opcional) Redes pedagógicas generativas
- (Opcional) Talking Heads
- (Opcional) Desidentificación
- (Opcional) Huellas dactilares GAN
- Obras citadas
UNIDAD 9 - Semana 2: Traducción de imagen a imagen con Pix2Pix · 16 leccionesAplicar redes generativas adversariales (GAN) - UNIDAD 9 - Semana 2: Traducción de imagen a imagen con Pix2Pix
Aplicar redes generativas adversariales (GAN) - UNIDAD 9 - Semana 2: Traducción de imagen a imagen con Pix2Pix
- Bienvenidos a la segunda semana
- Traducción de imagen a imagen
- Visión general de Pix2Pix
- Pix2Pix: PatchGAN
- Pix2Pix: U-Net
- Pix2Pix: Término de pérdida de distancia entre píxeles
- Pix2Pix: Ponerlo todo junto
- Avances de Pix2Pix
- (Opcional) Notas de clase W2
- U-Net
- Pix2Pix
- (Opcional) El papel Pix2Pix
- (Portátil opcional) Pix2PixHD
- (Opcional) Más trabajo utilizando PatchGAN
- (Cuaderno opcional) GauGAN
- Obras citadas
UNIDAD 10 - Semana 3: Traducción no apareada con CycleGAN · 18 leccionesAplicar redes generativas adversariales (GAN) - UNIDAD 10 - Semana 3: Traducción no apareada con CycleGAN
Aplicar redes generativas adversariales (GAN) - UNIDAD 10 - Semana 3: Traducción no apareada con CycleGAN
- Bienvenidos a la tercera semana
- Traducción imagen a imagen no apareada
- Visión general de CycleGAN
- CycleGAN: Dos GAN
- CycleGAN: Consistencia del ciclo
- CycleGAN: Pérdida por mínimos cuadrados
- CycleGAN: Pérdida de identidad
- CycleGAN: Ponerlo todo junto
- Aplicaciones y variantes de CycleGAN
- (Opcional) Notas de clase W3
- [IMPORTANTE] Recordatorio sobre el fin del acceso a los cuadernos de laboratorio
- CicloGAN
- (Opcional) El documento CycleGAN
- (Opcional) CycleGAN para imágenes médicas
- (Cuaderno opcional) MUNIT
- Obras citadas
- Agradecimientos
- (Opcional) Oportunidad de ser mentor de otros alumnos
Certificado con validez SEP: lo emite la SEP, no solo una plataforma
Al demostrar la competencia recibes un certificado emitido por la Secretaría de Educación Pública a través del Gobierno del Estado de México: un documento oficial que puedes presentar con confianza ante cualquier empleador o institución.
Tu certificado con INEC
- Lo emite la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México
- Documento oficial con folio verificable en línea
- Lo otorga la Universidad Tecnológica Fidel Velázquez
Otras plataformas en línea
- Constancia privada emitida por la misma plataforma
- Solo acredita horas cursadas o asistencia
- Sin respaldo de una autoridad educativa
Tu itinerario, de la inscripción al certificado
- 1
Inscripción con pago único
Pagas $4,990 MXN una sola vez y entras de inmediato al curso.
- 2
Estudias a tu ritmo
10 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
2 cuestionarios para comprobar lo aprendido.
- 4
Certificado
Emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
Un certificado oficial de la SEP
Muestra · verificable por folio y QR
- Certificado SEP incluido (sin costo). Emitido por la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México. No es una constancia privada: es un documento oficial, y ese respaldo marca la diferencia frente a otras plataformas en línea.
- Contenido impartido por DeepLearning.AI.
- Folio y QR verificables para compartirlo con quien te contrate.
Empieza hoy, a tu ritmo
Un solo pago y acceso inmediato al curso completo durante 12 meses.
- 10 unidades · 174 lecciones · 144 h
- 12 meses de acceso
- 2 cuestionarios de evaluación
- Certificado SEP incluido (sin costo), emitido por la SEP (Gob. del Estado de México) con folio verificable
Sobre tu inscripción
¿Cómo es el pago?
Un solo pago de $4,990 MXN. No hay mensualidades ni cargos recurrentes.
¿Cuánto tiempo tengo acceso?
12 meses desde tu inscripción, 24/7, para avanzar a tu ritmo.
¿Quién imparte el contenido?
El curso es impartido por DeepLearning.AI; INEC gestiona tu inscripción, evaluación y certificado.
¿Qué pasa cuando vence mi acceso?
Puedes renovar tu cuenta tú mismo desde la plataforma, sin trámites ni esperas.
¿El curso tiene validez SEP?
Sí, incluido sin costo. Al completar el curso recibes un certificado emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
¿El curso tiene tutor o clases en vivo?
No. Es un curso autodidacta: estudias por tu cuenta, a tu ritmo, sin tutor ni sesiones en vivo.
¿Cómo se evalúa?
Te evalúas con actividades automáticas, sin entregas a un tutor.
