Loading...
El Máster de Formación Permanente en Deep Learning te permitirá adquirir una formación completa en el ámbito del empleo de las herramientas de Aprendizaje Profundo, Machine Learning e Inteligencia Artificial en la gestión y toma de decisiones de negocio.

MÁSTER DE FORMACIÓN PERMANENTE EN DEEP LEARNING

6ª Edición. Español. Híbrida
Presentación

El Máster de Formación Permanente en Deep Learning tiene como objetivo proporcionar una formación completa en el ámbito del empleo de las herramientas de Aprendizaje Profundo en la toma de decisiones. A lo largo del programa el alumno conocerá en profundidad la problemática general de la modelización automatizada y las enormes aplicaciones que esta permite en diversos ámbitos.

Los objetivos del Máster en Deep Learning consisten en que los candidatos:

  • Entiendan los fundamentos formales de las herramientas de Machine Learning y, en particular, del Deep Learning.
  • Conozcan en profundidad las diversas arquitecturas que se han propuesto, así como las herramientas que permiten la optimización en el desarrollo de soluciones.
  • Sean capaces de implementar algoritmos en lenguajes de alto nivel para resolver problemas reales, comprendiendo las dificultades de implementación en la práctica.
  • Propongan soluciones basadas en Deep Learning desde una perspectiva amplia, considerando los aspectos éticos y legales y las implicaciones económicas y sociales de la automatización de los procesos.

6ª Edición. Híbrida (semipresencial)

Master en Deep Learning - Universidad de Alcalá - UAH
Qué te ofrecemos

Máster de Formación Permanente en Deep Learning

FORMACIÓN

LÍDER EN EL SECTOR, valorado entre los mejores másteres en Deep Learning e Inteligencia Artificial en español.

COMPATIBILIZAR LA FORMACIÓN

Te permite COMPATIBILIZAR LA FORMACIÓN con tu jornada laboral, con una novedosa y eficiente metodología formativa.

PREPARACIÓN AMPLIA

Una PREPARACIÓN AMPLIA con un esfuerzo total de 60 créditos ECTS, que permite por su amplitud cubrir una formación profunda en el área.

MÉTODOLOGIA

Un MÉTODO DOCENTE basado en la práctica y la contextualización en casos prácticos o en problemas de negocio, utilizando las herramientas y tecnologías de manera práctica desde el principio. Sistema Híbrido: parte online y parte presencial con clases los sábados alternos

SYLLABUS ACTUALIZADO

Un SYLLABUS ACTUALIZADO que se revisa en cada edición para que el alumno reciba una formación alineada con las tendencias del sector.

CLAUSTRO DOCENTE

Un CLAUSTRO DOCENTE formado por doctores, profesionales en activo e investigadores especialistas en Deep Learning, Machine Learning e Inteligencia Artificial.

COMUNIDAD y ENTORNO

Una COMUNIDAD y un ENTORNO que permite al estudiante ponerse en contacto con el sector profesional.

UNIVERSIDAD DE ALCALÁ

Estudia en la Universidad de Alcalá, una de las MEJORES UNIVERSIDADES DE ESPAÑA.
Perfil del Alumno

El Máster en Deep Learning se dirige a profesionales, estudiantes o interesados en conocer las diversas herramientas del Aprendizaje Profundo aplicables en diversos sectores productivos.

El perfil de los participantes es el de Ingenieros, Licenciados y Graduados. No es necesaria experiencia en el área deep learning, aunque si conocimientos matemáticos y de programación para desarrollar todos los contenidos del máster.

Se requiere tener nivel de inglés apropiado para la lectura, estudio y comprensión de documentación técnica
Programa

Master en Formación Permanente en Deep Learning

INTELIGENCIA ARTIFICIAL Y APRENDIZAJE AUTOMÁTICO

  • Evolución de la Inteligencia Artificial
  • Fundamentos de Aprendizaje Automático
  • Aprendizaje Supervisado, no supervisado y reforzado
  • Optimización de Modelos

REDES PROFUNDAS

  • Redes de una sola capa alimentadas hacia delante
  • Redes Multicapa
  • Algoritmo de Retropropagación del error
  • Funciones de perdida.
  • Hiperparámetros y estrategias de aprendizaje

REDES CONVOLUTIVAS

  • Introducción a las redes convolutivas (CNN)
  • Arquitecturas de CNN
  • Detección de objetos y segmentación semántica
  • CNN para la generación de imágenes

REDES SECUENCIALES

  • Problemas secuenciales y de series temporales
  • Redes recurrentes
  • Algoritmos de retropropagación del error a lo largo del tiempo
  • Modelos LSTM

TÉCNICAS DE PARALELIZACIÓN Y COMPUTACIÓN EN PROCESADORES

  • Introducción al concepto de GPU
  • Hardware para IA
  • Técnicas de paralelización
  • Introducción al framework tecnológico: Pytorch

APRENDIZAJE NO SUPERVISADO Y REFORZADO

  • Aprendizaje por refuerzo
    • Multi-Armed Bandit
    • Tic-Tac-Toe
    • Procedimientos de decisión de Markov
    • Programación dinámica
    • Monte Carlo
    • Métodos de aproximación
  • Aprendizaje no supervisado
    • Introducción a Open AI GYM
    • Clustering
    • PCA
    • Gaussian mixture clustering
    • Reglas de asociación

APRENDIZAJE AUTOMÁTICO ESCALABLE

  • Framewoks de paralelización en clusters de computadoras.
  • Apache Spark: Programación en Spark y Spark SQL

PROGRAMACIÓN EN PYTHON

  • Arrays, matrices y vectores.
  • Gráficos.
  • Gestión de flujo de programa.
  • Interfaces y carga de datos.

SEMINARIOS

Seminarios sobre diversas aplicaciones del Aprendizaje Profundo a los ámbitos de la Medicina, las Finanzas, la conducción automática de vehículos, visión artificial y reconocimiento del habla y otros

TRABAJO FIN DE MÁSTER

Claustro

El claustro docente del Máster en Deep Learning está integrado por investigadores, profesores universitarios y profesionales con una larga experiencia, en algunos casos pionera, en la aplicación del Deep Learning y la Inteligencia Artificial en la empresa.

La combinación de distintos enfoques asegura que los contenidos del máster estén actualizados, estructurados y sean completos con el objetivo de asegurar a los asistentes una formación integral en el área.

Profesor de la Universidad de Alcalá. Es autor de más de cien publicaciones y ha impartido conferencias en Estados Unidos, Asia y América Latina. Ha dirigido mas de cien programas formativos y actualmente es, entre otros, Director del Master en deep Learning.
Ignacio Olmeda, Ph.D.
Director del máster

Profesional con más de 15 años de experiencia en el desarrollo de soluciones analíticas para sectores como banca, seguros y retail. Actualmente es el responsable del desarrollo de los modelos analíticos e inteligencia artificial en The Analytics Boutique, en donde los desarrollos bajo su responsabilidad han sido recocidos con diferentes premios. Doctorado en la Universidad Politécnica de Madrid. Además, es autor de numerosas publicaciones técnicas y paquetes tanto para R como Python.
Daniel Rodríguez, Ph.D.
Profesor

Doctor Ingeniero Informático en el área de Inteligencia Artificial, Licenciado en Matemáticas. Profesor en Masters en el área de Aprendizaje Profundo en la Universidad de Alcalá. Creador de la compañía de Software Libre y Open Source Insolux, lideró la creación y desarrollo del área de Big Data-Analytics en la consultora tecnológica Altran. Miembro del equipo ejecutivo de Inteligencia Artificial en Everis. Actualmente forma parte de la división de Inteligencia Artificial en Accenture como AI Senior Manager.
Francisco Soler, Ph.D.
Profesor

Matemático e Ingeniero Informático, especializado en Aprendizaje Automático. Experiencia como data scientist desde enero de 2011. También interesado en el trabajo académico y la investigación.
David Díaz Vico, Ph.D.
Profesor

Informático especializado en investigación de la IA y análisis de datos. Tiene un master en Big Data y un programa experto en Deep Learning. Trabaja en Altran "World Class Center for Analytics" desde 2015 donde actualmente lidera la I+D en Inteligencia Artificial.
Daniel Martínez
Profesor

Data Scientist en IBM. Lidera equipos de data scientists para transformar los datos en conocimientos procesables, resolver matemáticamente los problemas comerciales y construir sistemas predictivos para resultados comerciales. En los últimos 4 años ha ayudado a varios clientes, desarrollando y aplicando algoritmos de optimización y aprendizaje automático: desde la investigación y el desarrollo de algoritmos novedosos hasta su implementación en sistemas distribuidos.
David Kremer
Profesor

Física especializada en computación cuántica. Forma parte del equipo de Microsoft Quantum Docs. Actualmente trabaja escribiendo la documentación de Q# y Azure Quantum. Estudió física teórica en la Universidad Complutense y un máster en Física Cuántica en la Universidad de Innsbruck (Austria).
Sonia López
Profesora

Más de diez años de experiencia en consultoría, dedicados inicialmente al sector Telecom y durante los últimos cinco años al campo de las comunicaciones IoT y M2M, así como a la integración de la tecnología Blockchain con IoT. Desde 2007 trabajando en Everis, donde actualmente asumo las responsabilidades de CTO para nuestra práctica de IoT.
Fernando Monzón
Profesor
Solicita Información

Rellene este formulario para enviarnos cualquier consulta. En breve nos pondremos en contacto contigo.




Dirección
Madrid (España)
Email de contacto
 Anterior  Todos Siguiente