Project Description

Descripción del Máster

El Máster en Deep Learning busca proporcionar a sus alumnos una formación completa en el ámbito del empleo de las herramientas de Aprendizaje Profundo y Machine Learning en la gestión y toma de decisiones en diversos contextos. Se pretende que conozcan la problemática general de la modelización automatizada y las enormes aplicaciones que esta permite.

Programa de Becas

Financiación SIN INTERESES
INFÓRMATE AHORA

Características del Máster

  • Doble Titulación: Máster por Universidad de Alcalá (UAH) y por IUTA
  • Duración: 1 año académico
  • Créditos: 60 ECTS
  • Modalidad: Semipresencial en Madrid
  • Prácticas en empresa: Posibilidad de prácticas presenciales en empresas.
Profesionales, estudiantes o interesados en conocer las diversas herramientas del Aprendizaje Profundo aplicables en diversos sectores productivos.
Una vez acabado el curso y proyecto final, se obtendrá una doble titulación de:

  • Máster en Deep Learning por la Universidad de Alcalá (UAH)
  • Máster en Deep Learning por IUTA

Se trata de una enseñanza no reglada de carácter no oficial, adaptada al plan Bolonia y acogida y amparada por la Ley Orgánica de Universidades 6/2001.

 

Salidas Profesionales

Con este título académico los alumnos podrán trabajar como:

  • Consultor Datamining
  • Data Scientist
  • Consultor NLP
  • Ingeniero de Inteligencia Artificial
  • IA Developer
  • Consultoría tecnológica
  • Emprendimiento
MÓDULO I: INTELIGENCIA ARTIFICIAL Y APRENDIZAJE AUTOMÁTICO

  • Evolución de la Inteligencia Artificial.
  • Aprendizaje Supervisado, no supervisado y reforzado.
  • Aprendizaje simbólico y sub-simbólico.
  • Modelos de Clasificación y de Regresión.
  • Optimización de Modelos.

MÓDULO II: REDES PROFUNDAS

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

MÓDULO III: REDES CONVOLUTIVAS

  • Fundamentos y estructura de las redes convolutivas.
  • Redes residuales.
  • Reconocimiento de imagen.

MÓDULO IV: REDES SECUENCIALES

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

MÓDULO V: TÉCNICAS DE PARALELIZACIÓN Y COMPUTACIÓN EN PROCESADORES

  • Arquitecturas basadas en GPU.
  • Programación con bibliotecas paralelas.

MÓDULO VI: TÉCNICAS DE VECTORIZACION

  • Gráficos de computación y Tensores.
  • Paralelización vectorial.
  • Programación en Tensorflow.
  • Programación en Theano.

MÓDULO VII: APRENDIZAJE AUTOMÁTICO ESCALABLE

  • Framewoks de paralelización en clusters de computadoras.

MÓDULO VIII: PROGRAMACIÓN PARA DATA SCIENCE

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

MÓDULO IX: 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

Este máster se imparte en modalidad semipresencial en Madrid. Se sigue un modelo pedagógico denominado, Flipped Classroom, que transfiere determinados procesos de aprendizaje fuera del aula, utilizando el tiempo de clase, junto con la experiencia del docente para facilitar y potenciar otros procesos de adquisición y práctica de conocimientos dentro del aula. Cada asignatura dispondrá de una sesión presencial (de asistencia no obligatoria) para el desarrollo de casos prácticos guiados que posteriormente estarán disponibles, para todos los alumnos que no puedan asistir a las sesiones presenciales, para su realización de forma tutorizada.

Las clases presenciales son un complemento de asistencia opcional donde se elaboran casos, ejercicios o prácticas adicionales.

Este máster cuenta con un Programa de Becas.

Financiación sin intereses