Diplomado en Deep Learning

Diplomado

Online

$ 635 IVA inc.

Descripción

  • Tipología

    Diplomado

  • Metodología

    Online

  • Horas lectivas

    150h

  • Duración

    6 Semanas

  • Inicio

    Fechas disponibles

  • Campus online

  • Clases virtuales

Dentro de los ámbitos de la inteligencia artificial y del Machine Learning, el Deep Learning es el campo que mayor crecimiento ha experimentado en los últimos años. Esta disciplina se encarga de procesar una gran cantidad de datos de forma automatizada para obtener una determinada información o para llevar a cabo un
proceso de aprendizaje de gran profundidad. Así, las máquinas o dispositivos que llevan a cabo esta tarea acaban disponiendo de conocimientos a los que no se puede acceder de forma normal. Esto tiene numerosas aplicaciones en campos como la visión artificial, y esta titulación ofrece a sus alumnos las herramientas
más novedosas en este ámbito, de modo que al finalizarla puedan desarrollar su carrera profesional en esta área con las habilidades más actualizadas.

Información importante

Documentación

  • 220diplomado-deep-learning---.pdf

Sedes y fechas disponibles

Ubicación

comienzo

Online

comienzo

Fechas disponiblesInscripciones abiertas

Información relevante sobre el curso

Objetivos generales
Š Generar conocimiento especializado sobre Deep Learning y analizar por qué ahora
Š Presentar las redes neuronales y examinar su funcionamiento
Š Analizar las métricas para un correcto entrenamiento
Š Fundamentar las matemáticas detrás de las redes neuronales

Objetivos específicos
Š Analizar las familias que componen el mundo de la inteligencia artificial
Š Compilar los principales frameworks de Deep Learning
Š Definir las redes neuronales
Š Presentar los métodos de aprendizaje de las redes neuronales
Š Fundamentar las funciones de coste
Š Establecer las funciones más importantes de activación

El Diplomado en Deep Learning tiene como objetivo principal brindar las últimas novedades en esta área de la inteligencia artificial a sus alumnos, de modo que puedan incorporarlas directamente a sus carreras profesionales en este ámbito tecnológico. Y para conseguirlo, esta titulación cuenta con un profesorado de alto nivel, unos contenidos profundos y actualizados, y un sistema de enseñanza innovador que garantiza la eficacia del aprendizaje a lo largo del programa.

Este Diplomado en Deep Learning contiene el programa más completo y actualizado del mercado.

Tras la superación de la evaluación, el alumno recibirá por correo postal con acuse de recibo su correspondiente título de Diplomado emitido por TECH Universidad Tecnológica.

El título expedido por TECH Universidad Tecnológica expresará la calificación que haya obtenido en el Diplomado, y reunirá los requisitos comúnmente exigidos por las bolsas de trabajo, oposiciones y comités evaluadores de carreras profesionales.

Título: Diplomado en Deep Learning
N.º Horas Oficiales: 150 h.

Nuestra escuela es la primera en el mundo que combina el estudio de casos clínicos con un sistema de aprendizaje 100% online basado en la reiteración, que combina 8 elementos diferentes que suponen una evolución con respecto al simple estudio y análisis de casos. Esta metodología, a la vanguardia pedagógica mundial, se denomina Relearning.

Nuestra escuela es la primera en habla hispana licenciada para emplear este exitoso método, habiendo conseguido en 2015 mejorar los niveles de satisfacción global (calidad docente, calidad de los materiales, estructura del curso, objetivos…) de los estudiantes que finalizan los cursos con respecto a los indicadores de la mejor universidad online en habla hispana.

Recibida su solicitud, un responsable académico del curso le llamará para explicarle todos los detalles del programa, así como el método de inscripción, facilidades de pago y plazos de matrícula.

En primer lugar, necesitas un ordenador (PC o Macintosh), conexión a internet y una cuenta de correo electrónico. Para poder realizar los cursos integramente ON-LINE dispone de las siguientes opciones: Flash - Instalando Flash Player 10 o posterior (http://www.adobe.com/go/getflash), en alguno de los siguientes navegadores web: - Windows: Internet Explorer 6 y posteriores, Firefox 1.x y posteriores, Google Chrome, Opera 9.5 y posteriores - Mac: Safari 3 y posteriores, Firefox 1.x y posteriores, Google Chrome - Linux: Firefox 1.x y posteriores HTML5 - Instalando alguno de los navegadores web: - Google Chrome 14 o posterior sobre Windows o Mac - Safari 5.1 o posterior sobre Mac - Mobile Safari sobre Apple iOS 5.0 o posterior en iPad/iPhone Apple iOS - Articulate Mobile Player; Apple iOS 5.0 o posterior en iPad.

Preguntas & Respuestas

Añade tu pregunta

Nuestros asesores y otros usuarios podrán responderte

¿Quién quieres que te responda?

Déjanos tus datos para recibir respuesta

Sólo publicaremos tu nombre y pregunta

Opiniones

Materias

  • E learning
  • Deep learning
  • Redes neuronales
  • Inteligencia artificial
  • Informática

Profesores

 Sergio   Redondo Cabanillas

Sergio Redondo Cabanillas

Director de proyectos y desarrollo de Bcnvision

Temario

Módulo 1. Deep Learning

1.1. Inteligencia artificial

1.1.1. Machine Learning
1.1.2. Deep Learning
1.1.3. La explosión del Deep Learning. ¿Por qué ahora?

1.2. Redes neuronales

1.2.1. La red neuronal
1.2.2. Usos de las redes neuronales
1.2.3. Regresión lineal y Perceptron
1.2.4. Forward propagation
1.2.5. Backpropagation
1.2.6. Feature vectors

1.3. Loss Functions

1.3.1. Loss Functions
1.3.2. Tipos de Loss Functions
1.3.3. Elección de las Loss Functions

1.4. Funciones de activación

1.4.1. Función de activación
1.4.2. Funciones lineales
1.4.3. Funciones no lineales
1.4.4. Output vs. Hidden Layer Activation Functions

1.5. Regularización y normalización

1.5.1. Regularización y normalización
1.5.2. Overfitting and Data Augmentation
1.5.3. Regularization methods: L1, L2 and dropout
1.5.4. Normalization methods: Batch, Weight, Layer

1.6. Optimización

1.6.1. Gradient Descent
1.6.2. Stochastic Gradient Descent
1.6.3. Mini Batch Gradient Descent
1.6.4. Momentum
1.6.5. Adam

1.7. Hyperparameter Tuning y Pesos

1.7.1. Los hiperparámetros
1.7.2. Batch Size vs. Learning Rate vs. Step Decay
1.7.3. Pesos

1.8. Métricas de evaluación de una red neuronal

1.8.1. Accuracy
1.8.2. Dice coefficient
1.8.3. Sensitivity vs. Specificity/Recall vs. Precision
1.8.4. Curva ROC (AUC)
1.8.5. F1-score
1.8.6. Confusion matrix
1.8.7. Cross-validation

1.9. Frameworks y Hardware

1.9.1. Tensor Flow
1.9.2. Pytorch
1.9.3. Caffe
1.9.4. Keras
1.9.5. Hardware para la fase de entrenamiento

1.10. Creación de una red neuronal–entrenamiento y validación

1.10.1. Dataset
1.10.2. Construcción de la red
1.10.3. Entrenamiento
1.10.4. Visualización de resultados

Diplomado en Deep Learning

$ 635 IVA inc.