1695€
Seguridad y confianza en tus pagos online.Presentación
El campo de la Inteligencia Artificial (IA) y el Deep Learning experimenta una expansión sin precedentes, impulsando la innovación en casi todos los sectores industriales. La demanda de profesionales con competencias avanzadas en estas disciplinas es constante y en aumento, lo que convierte a este máster en una oportunidad formativa de alto valor. El Máster en Técnicas Avanzadas en Deep Learning y AI ofrece una inmersión profunda en los algoritmos y arquitecturas del aprendizaje profundo, dotando al alumnado de las habilidades necesarias para desarrollar soluciones de IA de vanguardia. Participar en este máster no solo capacita para abordar los desafíos actuales del sector, sino que también posiciona al alumnado como líderes en la investigación y desarrollo de las futuras aplicaciones de la IA.
Universidades colaboradoras
Para qué te prepara
Al completar el Máster en Técnicas Avanzadas en Deep Learning y AI, el alumnado estará plenamente capacitado para diseñar, desarrollar y optimizar modelos de Deep Learning. Se adquirirán habilidades para aplicar técnicas avanzadas en visión por computador, procesamiento del lenguaje natural, y otras áreas de la IA, así como para seleccionar arquitecturas de redes neuronales, implementar algoritmos de entrenamiento.
Objetivos
- Dominar arquitecturas avanzadas de Deep Learning.
- Aplicar Deep Learning a la visión por computador.
- Implementar modelos de PLN con redes neuronales.
- Optimizar el rendimiento de modelos de IA.
- Desarrollar proyectos complejos con Deep Learning.
- Evaluar y desplegar soluciones de IA avanzadas.
A quién va dirigido
El Máster en Técnicas Avanzadas en Deep Learning y AI está dirigido a profesionales con formación sólida en Machine Learning o programación, ciencia de datos, ingeniería de software, investigación y titulados universitarios en áreas STEM que deseen especializarse y profundizar en las técnicas más avanzadas de Deep Learning e Inteligencia Artificial.
Salidas Profesionales
Las principales salidas profesionales tras cursar el Máster en Técnicas Avanzadas en Deep Learning y AI incluyen áreas como la ingeniería de Deep Learning, ciencia de Datos, investigación en Inteligencia Artificial e ingeniería de PLN. Este máster abre las puertas a oportunidades en empresas tecnológicas, centros de investigación y grandes corporaciones.
Temario
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
Titulación
Claustro
Solicitar información