Objetivos

A. Desarrollar competencias prácticas en Deep Learning: Capacitar al estudiante en el uso de redes densas, convolucionales, recurrentes y arquitecturas avanzadas como Transformers, GNNs y modelos multimodales, aplicadas a problemas reales de ciencia de datos, visión por computadora, NLP y series de tiempo.

B. Fortalecer la base matemática y computacional: Asegurar que el estudiante domine los fundamentos matemáticos (optimización, procesos estocásticos, teoría de juegos y de valores extremos) y el uso eficiente de cómputo en GPU, para implementar, calibrar y mejorar modelos de aprendizaje profundo de última generación.

C. Aplicar técnicas avanzadas en casos reales: Construir un portafolio con proyectos aplicados en NLP, generación de datos sintéticos con GANs, aprendizaje por refuerzo profundo (DQN, PPO, GRPO, Offline RL) y modelos de difusión para GenAI, alineados con el estado del arte de la inteligencia artificial.

‍

Perfil de ingreso

A. Formación y experiencia previa: Dirigido a estudiantes y profesionales de Ciencia de Datos, Business Intelligence, Ingeniería de Datos, Desarrollo de Software o áreas afines que deseen especializarse en Deep Learning aplicado.

B. Conocimientos técnicos requeridos: Se espera dominio intermedio de Python y bases sólidas de Machine Learning. Es recomendable experiencia previa en el Track de Ciencia de Datos o cursos equivalentes, con familiaridad en el entrenamiento y calibración de modelos supervisados y no supervisados.

C. Fundamentos matemáticos: Los participantes deberán contar con bases en álgebra lineal, probabilidad, estadística y optimización. Se sugiere haber cursado previamente Matemáticas para la Ciencia de Datos, dado que los contenidos del Track profundizan en tópicosavanzados como Fourier, procesos estocásticos y teoría de juegos.

‍

‍

‍

‍