Fundamentos de Redes Neuronales y Visión por Computadora

Resumen

This course guides you through the foundational principles behind neural networks and computer vision systems, focusing on how forward propagation, backpropagation, optimization, and convolutional architectures enable modern AI applications. Through hands-on demonstrations and practical exercises, you’ll learn to build neural networks from scratch, train them effectively, and apply these models to real-world vision tasks such as image classification, detection, and similarity learning.

By the end of this course, you will be able to:

- Explain how neural networks learn using forward passes, loss functions, and backpropagation - Implement neural network training pipelines and analyze model convergence - Apply optimization, regularization, and normalization techniques to improve performance - Understand convolutional neural networks and how they extract visual features - Build and evaluate end-to-end image classification and computer vision systems This course is ideal for aspiring AI practitioners, data scientists, software engineers, and ML engineers looking to develop a strong foundation in neural networks and vision-based learning. A working knowledge of Python and basic machine learning concepts is recommended.

Join us to build a solid foundation in neural networks and computer vision, the core technologies powering today’s intelligent AI systems.

Programa

• Fundamentos del Núcleo de Redes Neuronales
Este módulo introduce las redes neuronales desde los primeros principios, explicando cómo los modelos realizan predicciones, miden el error y aprenden a través de la retropropagación. Los estudiantes implementan pasos hacia adelante, bucles de entrenamiento y flujo de gradientes para construir una sólida base en cómo las redes neuronales aprenden.
• Técnicas de Optimización y Regularización
Este módulo se centra en entrenar redes neuronales de manera eficiente y fiable utilizando el descenso de gradiente, optimizadores adaptativos y estrategias de tasa de aprendizaje. Los estudiantes aplican técnicas de regularización y normalización para estabilizar el entrenamiento y mejorar la generalización.
• Fundamentos de la Visión por Computador y CNNs
Este módulo aplica los fundamentos del aprendizaje profundo a datos visuales, introduciendo redes neuronales convolucionales y la representación de imágenes. Los estudiantes construyen sistemas para clasificación, detección, segmentación y aprendizaje de similitud.
• Cierre del Curso
Este módulo consolida el aprendizaje a través de un proyecto práctico de visión y una evaluación final. Los estudiantes demuestran su capacidad para diseñar, entrenar y evaluar sistemas completos de aprendizaje profundo.

---

Impartido por

Edureka

---

Materias

Artificial Intelligence