DEEP LEARNING
En un entorno dominado por datos no estructurados, procesos altamente automatizables y la necesidad de personalización en tiempo real, el Deep Learning ha emergido como una de las tecnologías más poderosas dentro del campo de la Inteligencia Artificial. Desde el reconocimiento de imágenes y voz, hasta el procesamiento del lenguaje natural y la generación de contenido, los modelos de aprendizaje profundo están redefiniendo lo que es posible en múltiples sectores como la salud, la industria, la banca o el comercio electrónico.
El reto actual no es solo entender los conceptos detrás de las redes neuronales profundas, sino también saber cómo aplicarlos eficazmente a problemas reales con herramientas y marcos de trabajo que garanticen resultados escalables. Profundizar en arquitecturas como CNNs, RNNs y transformers no solo permite automatizar tareas complejas, sino también descubrir patrones y generar predicciones con un nivel de precisión sin precedentes.
Solicitud de información
Presencial
5 Créditos ECTS
Descubre los módulos y conceptos clave
Cada uno de los módulos de este curso ha sido elaborado rigurosamente atendiendo a las necesidades actuales y futuras tanto de los profesionales como de las empresas.
¡Explora todas las materias que conforman este curso!
Redes neuronales profundas y fundamentos del aprendizaje profundo
Algoritmos de descenso del gradiente, funciones de pérdida y técnicas de entrenamiento eficientes.
Backpropagation y optimización
Aplicaciones en visión por computador, estructuras de redes y mejores prácticas de implementación.
Redes neuronales convolucionales (CNN)
Modelado de secuencias, LSTM y GRU, y aplicaciones en series temporales y texto.
Redes neuronales recurrentes (RNN)
Introducción a modelos como BERT y GPT; aplicaciones en lenguaje natural y procesamiento contextual.
Transformers y mecanismos de atención
Dropout, batch normalization, early stopping y tuning de hiperparámetros.
Técnicas de regularización y ajuste de modelos
Dropout, batch normalization, early stopping y tuning de hiperparámetros.
Transfer Learning y Fine-Tuning
Uso de modelos preentrenados y adaptación a nuevas tareas con conjuntos de datos reducidos.
Evaluación e interpretación de modelos de Deep Learning
Métricas de rendimiento, visualización de resultados y mejores prácticas para la toma de decisiones basada en modelos.
Conoce a nuestros profesores
Abrimos la educación a una experiencia global y la adaptamos al futuro profesional que viene. Fórmate en un espacio interactivo y colaborativo, en contacto directo con profesores y alumnos.
Descripción
Este curso proporciona una formación técnica, aplicada y progresiva en redes neuronales profundas, cubriendo desde los principios fundamentales hasta arquitecturas modernas utilizadas en entornos de producción. Se abordarán temas clave como el entrenamiento y evaluación de modelos, técnicas de regularización, ajuste fino (fine-tuning), y transferencia de conocimiento mediante Transfer Learning.
A través del uso de frameworks líderes como TensorFlow y PyTorch, los participantes desarrollarán la capacidad de construir, entrenar e interpretar modelos avanzados en distintos contextos de negocio. El curso incluye sesiones prácticas, estudios de caso y actividades guiadas con datasets reales.
Dirigido a profesionales de ciencia de datos, ingenieros de machine learning, desarrolladores y perfiles técnicos que busquen profundizar en el ámbito del aprendizaje automático avanzado y su aplicación práctica.
Objetivos
- Comprender la arquitectura y el funcionamiento de las principales redes neuronales profundas.
- Implementar soluciones de Deep Learning utilizando TensorFlow y PyTorch de forma eficaz y reproducible.
- Aplicar técnicas de regularización, optimización y ajuste de hiperparámetros para mejorar el rendimiento de los modelos.
- Evaluar el comportamiento de los modelos con métricas avanzadas y mejorar su capacidad de generalización.
- Explorar aplicaciones reales del Deep Learning en visión artificial, procesamiento secuencial y generación de contenido mediante arquitecturas como CNNs, RNNs y transformers.
