Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Programa del Curso
Introducción
Fundamentos de Inteligencia Artificial y Machine Learning
Comprensión Deep Learning
- Resumen de los conceptos básicos de Deep Learning
- Diferenciando entre Machine Learning y Deep Learning
- Descripción general de las aplicaciones para Deep Learning
Descripción general de Neural Networks
- ¿Qué son Neural Networks
- Neural Networks Modelos de regresión vs
- Comprensión Mathematical Fundamentos y mecanismos de aprendizaje
- Construcción de una red neuronal artificial
- Comprensión de los nodos neuronales y las conexiones
- Trabajar con neuronas, capas y datos de entrada y salida
- Descripción de los perceptrones de una sola capa
- Diferencias entre el aprendizaje supervisado y el no supervisado
- Feedforward de aprendizaje y retroalimentación Neural Networks
- Descripción de la propagación hacia adelante y hacia atrás
- Comprensión de la memoria a corto y largo plazo (LSTM)
- Explorando lo recurrente Neural Networks en la práctica
- Explorando el Convolucional Neural Networks en la práctica
- Mejorar la forma Neural Networks de aprender
Descripción general de Deep Learning las técnicas utilizadas en Telecom
- Neural Networks
- Procesamiento del lenguaje natural
- Reconocimiento de imágenes
- Speech Recognition
- Análisis de sentimientos
Explorando Deep Learning Estudios de Caso para Telecom
- Optimización del enrutamiento y la calidad del servicio a través del análisis del tráfico de red en tiempo real
- Predicción de fallos de red y dispositivos, interrupciones, aumentos repentinos de la demanda, etcétera.
- Análisis de llamadas en tiempo real para identificar comportamientos fraudulentos
- Analizar el comportamiento de los clientes para identificar la demanda de nuevos productos y servicios
- Procesamiento de grandes volúmenes de mensajes SMS para obtener información
- Speech Recognition Para llamadas de soporte
- Configuración de SDN y redes virtualizadas en tiempo real
Comprender los beneficios de Deep Learning para Telecom
Explorando las diferentes Deep Learning bibliotecas para Python
- TensorFlow
- Keras
Configuración de Python con TensorFlow para Deep Learning
- Instalación de la API TensorFlow Python
- Prueba de la instalación TensorFlow
- Configuración TensorFlow para el desarrollo
- Entrenamiento de su primer TensorFlow modelo de red neuronal
Configuración de Python con Keras para Deep Learning
Construcción de modelos simples Deep Learning con Keras
- Creación de un modelo Keras
- Comprensión de los datos
- Especificación del modelo Deep Learning
- Compilación del modelo
- Ajuste a su modelo
- Trabajar con los datos de clasificación
- Trabajar con modelos de clasificación
- Uso de sus modelos
Trabajar con TensorFlow para Deep Learning para Telecom
- Preparación de los datos
- Descarga de los datos
- Preparación de los datos de entrenamiento
- Preparación de los datos de prueba
- Escalado de entradas
- Uso de marcadores de posición y variables
- Especificación de la arquitectura de red
- Uso de la función de coste
- Uso del optimizador
- Uso de inicializadores
- Ajuste de la red neuronal
- Construyendo el grafo
- Inferencia
- Pérdida
- Adiestramiento
- Entrenamiento del modelo
- El grafo
- La sesión
- Bucle de tren
- Evaluación del modelo
- Construcción del gráfico de evaluación
- Evaluación con Eval Output
- Modelos de entrenamiento a escala
- Visualización y evaluación de modelos con TensorBoard
Práctico: Creación de un Deep Learning modelo de predicción de abandono de clientes utilizando Python
Ampliando las capacidades de su empresa
- Desarrollo de modelos en la nube
- Uso de GPUs para acelerar Deep Learning
- Aplicación de Deep Learning Neural Networks para Computer Vision, reconocimiento de voz y análisis de texto
Resumen y conclusión
Requerimientos
- Experiencia con Python programación
- Familiaridad general con los conceptos de telecomunicaciones
- Familiaridad básica con la estadística y los conceptos matemáticos.
Audiencia
- Desarrolladores
- Científicos de datos
28 Horas
