Es ideal para profesionistas que estén familiarizados con los algoritmos clásicos de Machine Learning que deseen profundizar sus conocimientos mediante el uso de Deep Learning. También es útil para quienes desean practicar el uso de Deep Learning en distintos ámbitos. Es posible tomar este curso después de saber lo esencial de la Ciencia de Datos.
Módulo 1. Redes convolucionales
1. Capas densas y convolucionales
2. Detección de objetos
3. Arquitecturas modernas: auto-encoders
4. Algoritmos de entrenamiento
Módulo 2. Redes recurrentes y transformer
1. Capas recurrentes
2. Series de tiempo multi-variadas y multi-horizonte
3. El mecanismo de atención de Bahdanau
4. Regularización
Módulo 3. Redes multi-modales
1. El producto de Hadamard y la fusión de datos
2. Álgebra tensorial
3. Regularización II
4. Backpropagation
Módulo 4. Modelos del lenguaje
1. Word2vec & Doc2vec
2. BERT & GPT
3. Fine-tuning
4. Mecanismo de atención
Módulo 5. Difusión estable y GAN’s
1. Generative Adversarial Networks
2. Modelos CLIP
3. Difusión estable
4. Entrenamientos modernos
Módulo 6.Deep Reinforcement Learning
1. Q-Learning
2. Deep Reinforcement Learning
3. Resúmenes de textos
4. Relación con ChatGPT
Módulo 1. Redes convolucionales
1. Capas densas y convolucionales
2. Detección de objetos
3. Arquitecturas modernas: auto-encoders
4. Algoritmos de entrenamiento
Módulo 2. Redes recurrentes y transformer
1. Capas recurrentes
2. Series de tiempo multi-variadas y multi-horizonte
3. El mecanismo de atención de Bahdanau
4. Regularización
Módulo 3. Redes multi-modales
1. El producto de Hadamard y la fusión de datos
2. Álgebra tensorial
3. Regularización II
4. Backpropagation
Módulo 4. Modelos del lenguaje
1. Word2vec & Doc2vec
2. BERT & GPT
3. Fine-tuning
4. Mecanismo de atención
Módulo 5. Difusión estable y GAN’s
1. Generative Adversarial Networks
2. Modelos CLIP
3. Difusión estable
4. Entrenamientos modernos
Módulo 6.Deep Reinforcement Learning
1. Q-Learning
2. Deep Reinforcement Learning
3. Resúmenes de textos
4. Relación con ChatGPT