Skills que aprenderás
Convocatorias
No hay convocatorias abiertas ahora mismo, pero no te pierdas la oportunidad: guarda este curso y te avisamos en cuanto se abra una convocatoria.
Recursos
No hay recursos disponibles todavía para esta convocatoria
Este curso está dirigido a profesionales y estudiantes con conocimientos básicos de Python y familiaridad con estructuras de datos numéricos que desean dar sus primeros pasos en el ecosistema TensorFlow. A lo largo de las 8 horas de formación, los participantes explorarán los fundamentos del framework —desde la naturaleza de los tensores y su relación con NumPy hasta la construcción y entrenamiento de modelos con Keras— trabajando siempre sobre un entorno configurado y verificado. Al finalizar, el alumno será capaz de montar de forma autónoma un pipeline completo de aprendizaje automático supervisado: preprocesamiento de datos con tf.data, definición de una red neuronal secuencial, ciclo de entrenamiento y evaluación, e interpretación básica de las métricas resultantes.
tf.data.Dataset, incluyendo operaciones de normalización y batching.Sequential de Keras, seleccionando correctamente las funciones de activación y las unidades de la capa de salida.Bloque 1 — Fundamentos de TensorFlow y el ecosistema (conceptual)
Se introduce TensorFlow como framework de computación numérica orientado al aprendizaje automático. Se estudia la estructura del tensor como unidad básica de datos, analizando sus atributos —tipo de dato (dtype), forma (shape) y dispositivo (device)— y estableciendo las diferencias clave respecto a los arrays de NumPy. Paralelamente, se realiza la instalación guiada del paquete en un entorno virtual y se verifica su correcto funcionamiento ejecutando la comprobación de versión desde un notebook.
Bloque 2 — Anatomía de un pipeline de entrenamiento (conceptual-procedimental) Se presenta la arquitectura general de un flujo de trabajo supervisado en Keras, recorriendo en orden sus cinco etapas: preparación de datos, definición del modelo, compilación, entrenamiento y evaluación. Los participantes practican el etiquetado de cada bloque sobre scripts de referencia, consolidando una visión estructurada del proceso antes de implementarlo. Se identifican además los errores más frecuentes —incompatibilidad de formas de tensor, función de pérdida inadecuada para la tarea y omisión del paso de compilación— y se razona la corrección de cada uno.
Bloque 3 — Preparación de datos con tf.data (procedimental)
Se trabaja con la API tf.data.Dataset para construir pipelines de ingesta y preprocesamiento sobre datasets tabulados sencillos. Se aplican operaciones de normalización y agrupación en batches, obteniendo un pipeline funcional listo para alimentar el modelo. Se hace especial hincapié en las buenas prácticas de eficiencia y reproducibilidad en la carga de datos.
Bloque 4 — Construcción y entrenamiento de modelos con Keras (procedimental-integrador)
Se diseña un modelo secuencial con capas Dense, prestando atención a la elección de funciones de activación y al número de unidades en la capa de salida según el tipo de problema —clasificación binaria como caso de referencia—. A continuación se ejecuta el ciclo completo compile → fit → evaluate sobre un dataset estándar como MNIST o Iris, alcanzando el baseline de exactitud documentado. El bloque concluye con la interpretación de las curvas de loss y accuracy generadas durante el entrenamiento, aplicando criterios establecidos para diagnosticar sobreajuste, subajuste o convergencia aceptable y extraer conclusiones orientadas a la mejora del modelo.
venv o conda).