Máster Técnicas Avanzadas en Deep Learning y AI

Descripción

¿Quién puede acceder al master?

Objetivos

Salidas Profesionales

Temario del Máster Técnicas Avanzadas en Deep Learning y AI

MÓDULO 1. FUNDAMENTOS DEL DEEP LEARNING Y LA IA

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL DEEP LEARNING Y LA INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 2. FUNDAMENTOS MATEMÁTICOS PARA LA IA: ÁLGEBRA LINEAL Y CÁLCULO

UNIDAD DIDÁCTICA 3. FUNDAMENTOS ESTADÍSTICOS Y DE PROBABILIDAD PARA LA IA

UNIDAD DIDÁCTICA 4. INTRODUCCIÓN A PYTHON Y LIBRERÍAS CLAVE (NUMPY, PANDAS, MATPLOTLIB)

UNIDAD DIDÁCTICA 5. INTRODUCCIÓN A TENSORFLOW Y KERAS

UNIDAD DIDÁCTICA 6. INTRODUCCIÓN A PYTORCH

UNIDAD DIDÁCTICA 7. REDES NEURONALES ARTIFICIALES (ANNS): PERCEPTRONES Y MLP

UNIDAD DIDÁCTICA 8. FUNCIONES DE ACTIVACIÓN, DE PÉRDIDA Y OPTIMIZADORES BÁSICOS

MÓDULO 2. REDES NEURONALES CONVOLUCIONALES (CNNs)

UNIDAD DIDÁCTICA 1. ARQUITECTURAS BÁSICAS DE CNNS: LENET, ALEXNET, VGG

UNIDAD DIDÁCTICA 2. CAPAS CONVOLUCIONALES, DE POOLING Y DE NORMALIZACIÓN

UNIDAD DIDÁCTICA 3. ARQUITECTURAS AVANZADAS DE CNNS: RESNET Y DENSENET

UNIDAD DIDÁCTICA 4. ARQUITECTURAS AVANZADAS DE CNNS: INCEPTION Y EFFICIENTNET

UNIDAD DIDÁCTICA 5. TRANSFERENCIA DE APRENDIZAJE Y FINE-TUNING EN CNNS

UNIDAD DIDÁCTICA 6. DETECCIÓN DE OBJETOS: R-CNN, YOLO, SSD

UNIDAD DIDÁCTICA 7. SEGMENTACIÓN DE IMÁGENES: U-NET Y MASK R-CNN

UNIDAD DIDÁCTICA 8. APLICACIONES DE CNNS EN VISIÓN POR COMPUTADOR

MÓDULO 3. REDES NEURONALES RECURRENTES (RNNs) Y TRANSFORMERS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LAS REDES NEURONALES RECURRENTES (RNNS) Y SUS LIMITACIONES

UNIDAD DIDÁCTICA 2. LONG SHORT-TERM MEMORY (LSTM) Y GATED RECURRENT UNITS (GRU)

UNIDAD DIDÁCTICA 3. PROCESAMIENTO DEL LENGUAJE NATURAL (PLN): EMBEDDING DE PALABRAS

UNIDAD DIDÁCTICA 4. ARQUITECTURAS ENCODER-DECODER PARA PLN

UNIDAD DIDÁCTICA 5. MECANISMOS DE ATENCIÓN Y AUTOATENCIÓN

UNIDAD DIDÁCTICA 6. ARQUITECTURA TRANSFORMER

UNIDAD DIDÁCTICA 7. MODELOS PRE-ENTRENADOS PARA PLN: BERT Y GPT

UNIDAD DIDÁCTICA 8. APLICACIONES DE PLN: TRADUCCIÓN AUTOMÁTICA Y RESUMEN DE TEXTO

UNIDAD DIDÁCTICA 9. GENERACIÓN DE TEXTO Y CHATBOTS

MÓDULO 4. REDES GENERATIVAS Y ALGORITMOS DE APRENDIZAJE POR REFUERZO

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LAS REDES GENERATIVAS

UNIDAD DIDÁCTICA 2. GENERATIVE ADVERSARIAL NETWORKS (GANS): PRINCIPIOS Y ARQUITECTURA DCGAN

UNIDAD DIDÁCTICA 3. GANS AVANZADAS: CYCLEGAN, STYLEGAN

UNIDAD DIDÁCTICA 4. AUTOENCODERS VARIACIONALES (VAES)

UNIDAD DIDÁCTICA 5. APLICACIONES DE MODELOS GENERATIVOS: SÍNTESIS DE IMÁGENES Y DATOS

UNIDAD DIDÁCTICA 6. INTRODUCCIÓN AL APRENDIZAJE POR REFUERZO: MARKOV DECISION PROCESSES (MDPS)

UNIDAD DIDÁCTICA 7. Q-LEARNING Y SARSA

UNIDAD DIDÁCTICA 8. DEEP Q-NETWORKS (DQN)

UNIDAD DIDÁCTICA 9. ALGORITMOS BASADOS EN POLÍTICAS: REINFORCE, ACTOR-CRITIC

UNIDAD DIDÁCTICA 10. ALGORITMOS AVANZADOS DE APRENDIZAJE POR REFUERZO: PPO, A2C

MÓDULO 5. ÉTICA, SESGOS Y EXPLICABILIDAD EN IA

UNIDAD DIDÁCTICA 1. PRINCIPIOS DE IA RESPONSABLE Y ÉTICA

UNIDAD DIDÁCTICA 2. SESGOS EN LOS DATOS Y MODELOS DE IA

UNIDAD DIDÁCTICA 3. JUSTICIA, EQUIDAD Y TRANSPARENCIA EN SISTEMAS DE IA

UNIDAD DIDÁCTICA 4. PRIVACIDAD Y PROTECCIÓN DE DATOS EN IA

UNIDAD DIDÁCTICA 5. SEGURIDAD Y ROBUSTEZ DE MODELOS DE IA

UNIDAD DIDÁCTICA 6. INTRODUCCIÓN A LA IA EXPLICABLE (XAI)

MÓDULO 6. APLICACIONES AVANZADAS Y DESPLIEGUE DE MODELOS DE DEEP LEARNING

UNIDAD DIDÁCTICA 1. DEEP LEARNING EN SALUD: DIAGNÓSTICO Y DESCUBRIMIENTO DE FÁRMACOS

UNIDAD DIDÁCTICA 2. DEEP LEARNING EN FINANZAS: TRADING ALGORÍTMICO Y DETECCIÓN DE FRAUDE

UNIDAD DIDÁCTICA 3. DEEP LEARNING EN VEHÍCULOS AUTÓNOMOS Y ROBÓTICA

UNIDAD DIDÁCTICA 4. DEEP LEARNING EN CIBERSEGURIDAD

UNIDAD DIDÁCTICA 5. OPTIMIZACIÓN DE MODELOS PARA DESPLIEGUE: CUANTIFICACIÓN Y PODA

UNIDAD DIDÁCTICA 6. DESPLIEGUE DE MODELOS EN LA NUBE (AWS, AZURE, GCP)

MÓDULO 7. APRENDIZAJE POR REFUERZO AVANZADO Y CONTROL ÓPTIMO

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL APRENDIZAJE POR REFUERZO PROFUNDO Y SUS FUNDAMENTOS MATEMÁTICOS

UNIDAD DIDÁCTICA 2. ALGORITMOS DE APRENDIZAJE POR REFUERZO BASADOS EN MODELOS: MODEL-BASED RL

UNIDAD DIDÁCTICA 3. APRENDIZAJE POR REFUERZO MULTI-AGENTE Y JUEGOS COOPERATIVOS/COMPETITIVOS

UNIDAD DIDÁCTICA 4. INTEGRACIÓN DEL CONTROL ÓPTIMO Y LA PROGRAMACIÓN DINÁMICA CON RL

UNIDAD DIDÁCTICA 5. APRENDIZAJE POR IMITACIÓN Y APRENDIZAJE INVERSO POR REFUERZO PARA LA OBTENCIÓN DE POLÍTICAS

UNIDAD DIDÁCTICA 6. APLICACIONES AVANZADAS DEL APRENDIZAJE POR REFUERZO EN ROBÓTICA, SISTEMAS AUTÓNOMOS Y FINANZAS

UNIDAD DIDÁCTICA 7. EXPLORACIÓN Y EXPLOTACIÓN EN ENTORNOS COMPLEJOS

MÓDULO 8. PROCESAMIENTO DE IMÁGENES Y VISIÓN POR COMPUTADOR AVANZADA

UNIDAD DIDÁCTICA 1. ARQUITECTURAS AVANZADAS DE REDES NEURONALES CONVOLUCIONALES PARA VISIÓN POR COMPUTADOR

UNIDAD DIDÁCTICA 2. DETECCIÓN Y SEGUIMIENTO DE OBJETOS EN TIEMPO REAL: DE R-CNN A TRANSFORMER PARA VISIÓN

UNIDAD DIDÁCTICA 3. SEGMENTACIÓN DE INSTANCIAS, SEGMENTACIÓN SEMÁNTICA Y ESTIMACIÓN DE POSES EN IMÁGENES Y VÍDEOS

UNIDAD DIDÁCTICA 4. GENERACIÓN DE IMÁGENES Y VÍDEOS CON REDES GENERATIVAS ANTAGÓNICAS (GANS) Y AUTOENCODERS VARIACIONALES (VAES)

UNIDAD DIDÁCTICA 5. VISIÓN POR COMPUTADOR EN ENTORNOS 3D: RECONSTRUCCIÓN, SLAM Y PROCESAMIENTO DE NUBES DE PUNTOS

UNIDAD DIDÁCTICA 6. APLICACIONES DE LA VISIÓN POR COMPUTADOR EN REALIDAD AUMENTADA, MEDICINA Y VEHÍCULOS AUTÓNOMOS

UNIDAD DIDÁCTICA 7. PROCESAMIENTO DE VÍDEO Y RECONOCIMIENTO DE ACCIONES

Metodología

EDUCA LXP se basa en 6 pilares

Distintiva

Realista

Student First