Código

CC66U

Créditos

Duración

24 HORAS

Valor Individual

30 UF

Objetivos

Al finalizar el curso los estudiantes serán capaces de concebir la solución a un problema real que se beneficie de las técnicas de Machine Learning y Deep Learning, entendiendo claramente los pro y contras de una posible solución basada en esta tecnología, y las necesidades de datos, software, hardware y tiempo de computación.

Contenidos

Diseñar una red neuronal profunda para un problema en específico considerando las distintas arquitecturas de redes posibles, las especificidades del problema en cuestión y los datos disponibles para entrenamiento.
Implementar un modelo de red neuronal profunda usando librerías de software especializadas, y compararlo con otros modelos implementados según métricas objetivas de eficiencia y efectividad.
Operar y optimizar el funcionamiento de modelos de redes neuronales profundas, entendiendo cómo modificar (hiper)parámetros, cuándo se debe re-entrenar, cuándo se debe conseguir más datos, etc. Saber cuándo y cómo se debe iterar sobre todos los puntos anteriores para mejorar la solución a un problema en cuestión, y, de ser necesario, consultar el estado del arte del área para implementar nuevas arquitecturas u optimizaciones.

Bibliografía

Deep Learning. Ian Goodfellow, Yoshua Bengio, Aaron Courville. 2016. ISBN: 9780262035613. http://www.deeplearningbook.org/
Deep Learning: A practitioner’s Approach. Josh Patterson, Adam Gibson. O’Reilly, 2017.
Deep Learning with Python. Francois Chollet, November 2017 ISBN 9781617294433.

Bibliografía

Deep Learning. Ian Goodfellow, Yoshua Bengio, Aaron Courville. 2016. ISBN: 9780262035613. http://www.deeplearningbook.org/
Deep Learning: A practitioner’s Approach. Josh Patterson, Adam Gibson. O’Reilly, 2017.
Deep Learning with Python. Francois Chollet, November 2017 ISBN 9781617294433.