Certificación Profesional en Deep Learning

PRECIO

USD 1,975

FECHA DE INICIO

PRÓXIMAMENTE

MODALIDAD

Virtual

 

Certificación Profesional en Deep Learning

Certificación Profesional en Deep Learning

USD 1,975

Realizar consulta

El campo de la Inteligencia Artificial es un campo en constante evolución. Muchas de las herramientas que se brindarán en el programa pertenecen al estado del arte y son producto de recientes avances en este campo. El ITBA como Universidad de vanguardia, hace algunos años que ya está brindando conocimiento de este tipo en sus carreras de grado.

Realizar una certificación en esta área permitirá mantenerse actualizados en una tecnología que forma parte muy activa del presente, y sin dudas jugará un papel predominante en el futuro.

Objetivos del programa:

  • Establecer una comprensión clara de los algoritmos más importantes en el ámbito de Deep Learning.
  • Aplicar el conocimiento visto en clase a problemas específicos de relevancia para la industria.
  • Iniciar al alumno en una metodología de estudio alternativa y eficiente, a través de material online.
  • Vincular al alumno con herramientas de desarrollo de gran utilización en Deep Learning.

Conocimientos mínimos para cursar el programa:

  • Tener disponibilidad horaria semanal para trabajo asincrónico.
  • Nivel básico de inglés: entender inglés técnico y poder seguir una clase dictada en inglés (subtitulada en inglés).

Requisitos de aprobación: 

  • Asistencia igual o superior al 75% en cada uno de los módulos. Entregas de trabajos y evaluación final para aprobar cada módulo.

Perfil del participante

Este programa está fuertemente recomendado para todo el público independientemente de su formación académica ya que también sirven como repaso de temas que podrían haberse visto en una formación de grado. No se requieren conocimientos previos.

Con el fin de que alumnos principiantes puedan arribar a una comprensión profunda de las herramientas de Deep Learning, se darán dos módulos de introducción: “Introducción a Python” y “Probabilidad, Estadística y Álgebra en Python”. En el caso de que el estudiante se sienta cómodo con el temario de uno o ambos módulos, se puede rendir un exámen de equivalencia ya sea para entrar directamente a “Probabilidad, Estadística y Álgebra en Python” o al módulo específico de “Deep Learning”.

Las habilidades que desarrollarás

  1. Comprensión clara de los fundamentos de Deep Learning y sus aplicaciones en la industria y la academia.
  2. Capacidad para implementar soluciones de Deep Learning en la industria.
  3. A partir de una gran variedad de modelos estudiados, proponer soluciones innovadoras de Deep Learning en distintos ámbitos: Texto, Imágenes, Video, Datos Estructurados, Series Temporales, etc.

Plan de estudios

  • Introducción a la programación. Tipos de lenguaje. Conceptos básicos de Python.
  • Tipos de datos. Listas. Diccionarios. Control de flujo:condicionales, ciclos. 
  • Funciones. 
  • Librerías. Modularización.
  • Anaconda. Introducción a pandas, matplotlib, python, jupyter y numpy. Jupyter notebooks. Ejemplos. Edición de scripts de python.
  • GIT: Utilización de repositorios. Python: Listas, Diccionarios, Loops, Funciones, Condicionales, Glob aplicados a conceptos matemáticos.
  • Uso avanzado de listas y diccionarios aplicados a conceptos matemáticos. Clases y objetos. Análisis de datos básico con numpy, matplotlib y pandas.
  • Introducción al Álgebra Lineal. Escalares, vectores y matrices. Operaciones vectoriales y matriciales. 
  • Bases, matrices de cambios de base. Autovalores y autovectores. Factorización de Matrices.
  • Vectores y Matrices en Python. Paquete Numpy. 
  • Probabilidad: Espacio muestral, frecuencia, frecuencia relativa, propiedades. Eventos mutuamente excluyentes, probabilidad marginal, eventos independientes, probabilidad condicional. Distribuciones de probabilidad. 
  • Distribuciones de probabilidad. Media, Varianza, Desvío Estándar. Entropía.
  • Teorema de Bayes Discreto. 
  • Teorema de Bayes Continuo. 
  • Aplicaciones de probabilidad en Python: Naive Bayes. Detección de SPAM.
  • Regresión Lineal: Modelo, Función de costo y optimizador. 
  • Regresión Logística: Modelo, Función de costo y optimizador. Clasificación multiclase.
  • Introducción a Keras/Pytorch. 
  • Redes Neuronales.Perceptrón multicapa. 
  • Aplicaciones: MNIST, Fashion-MNIST
  • Ajuste de parámetros: Backpropagation.
  • Optimizadores: SGD, Momentos, RMSProp, Adam, Nadam. Cyclical Learning Rate. One Cycle Learning.
  • Perceptrón multicapa aplicado a NLP
  • Técnicas de regularización I
  • Técnicas de regularización II
  • Métodos de búsqueda de hiperparámetros
  • Entity Embeddings. Predicción de ventas en el problema de Rossmann.
  • Debugueo de modelos. Tensorboard. Callbacks de entrenamiento.
  • Introducción a Redes Convolucionales: Capas convolucionales, técnicas de regularización de Redes Convolucionales.
  • Arquitecturas de redes convolucionales para clasificación/regresión: AlexNet, VGG, ResNET, Inception, EfficienNet, etc.
  • Transfer Learning en redes convolucionales. Redes convolucionales en NLP.
  • Redes Recurrentes: SimpleRNN, GRU, LSTM
  • Algunos problemas de NLP utilizando Redes Recurrentes

Cuerpo Docente

Ingeniero Electrónico (ITBA) desarrollando tareas en el área de machine learning en la industria tales como sistemas de recomendación, ‘computer vision’ y ‘topic modeling’. Más de 10 años de experiencia docente en el ITBA y la UBA en materias relacionadas con procesos estocásticos, telecomunicaciones y networking.

Ingeniero Electrónico (ITBA) desarrollando tareas en el área de procesamiento de señales y machine learning en el Grupo de Electrónica Digital Aplicada (GEDA). Profesor adjunto de materias en el área de procesamiento de señales, bio-electrónica y sistemas digitales. Entre ellas Redes Neuronales y Redes Neuronales en Bioingeniería.

Certificación Profesional en Deep Learning

USD 1,975

Realizar consulta