Cada vez más es necesario utilizar modelos basados en Deep Learning para resolver problemas, esto debido a que ahora es más común ver problemas que no provienen de una tabla como lo son las imágenes y sonidos. Por tanto, en este curso se presentarán métodos en Machine Learning enfocados en métodos de “Deep Learning”.

Objetivos

En este curso el estudiante será capaz de:

1. Conocer el significado de Deep Learning y por qué es ampliamente usado en problemas de Big Data.
2. Conocer los distintos tipos de métodos basados en Deep Learning.
3. Conocer las principales modelos empleados en Deep Learning y su aplicación en clasificación, regresión y series de tiempo.
4. Entender el funcionamiento y método de aprendizaje de las Redes Neuronales clásicas y Convolucionales.
5. Desarrollar modelos de Deep Learning con Redes Neuronales empleando las librerías Keras y TensorFlow.
6. Usar estrucuturas especializadas de Redes Neuronales para la aplicación en problemas de texto, imágenes y sonidos.

Metodología

Basado en la teoría y en la aplicación directa de los conceptos aprendidos. Para esto se dispondrán de las siguientes herramientas:

1. Una vídeo conferencia semanal, las cuales quedarán grabadas en Zoom, para que los alumnos la puedan acceder en cualquier momento.
2. Trabajos prácticos semanales.
3. Foros para plantear dudas al tutor y compañeros.
4. Aula virtual en Moodle.

Luego de este curso el estudiante será capaz de:

Desarrollar proyectos de Machine Learning que involucren evaluar, calibrar y seleccionar métodos predictivos basados en Deep Learning en código Python.

Evaluación

El curso se evalúa con 4 tareas, una por semana, cada tarea tiene un valor de 25 puntos. La nota mínima de aprobación es de 70