Máster en Deep Learning e Inteligencia Artificial

- Madrid -
¡Apúntate!

¡Plazas disponibles!

  • calendario
    Comienzo
    18 de octubre
    - 210 horas -
  • moneda
    Precio
    6.500 €
    - 5% descuento en pago único -
  • reloj
    Horarios
    A medida
    - Vie: 17 - 22 h / Sab: 9 - 14 h -
  • MEEU: Factoría - Estación de Chamartín, s/n, 28036. Madrid

Disfrutarás de acceso exclusivo a nuestra bolsa de empleo

Características del máster

Descripción

En este máster, aprenderás cuáles son los fundamentos del deep learning y el uso de técnicas de aprendizaje no supervisado y de reinforcement learning.Estudiarás desde el uso de autoencoders hasta la optimización y regularización avanzada, pasando por el uso de redes convolucionales para aplicaciones de procesamiento de imagen y redes recurrentes para series temporales y NLP. Todo ello, de forma práctica y con diferentes usos, que te ayudarán a poner en valor lo estudiado en clase.Además, una vez asentadas las bases del deep learning, profundizarás en las aplicaciones más usadas del mismo con dos módulos avanzados de especialización en NLP e interfaces conversacionales.

Objetivos
  1. Aplicarás deep learning para el reconocimiento de imágenes, la generación de música o la detección de patrones de sonido.
  2. Te especializarás en NLP estadístico y neuronal para la clasificación traducción o generación de textos.
  3. Serás capaz de diseñar e implementar una interfaz conversacional o chatbot.
Empleo

96% de alumnos

trabajando en su sector

A quién va dirigido

Se trata de un máster avanzado dirigido a data scientists u otros perfiles profesionales con experiencia previa en machine learning, programación y conocimientos de álgebra lineal.

Usarás Python, Keras, Tensorflow y librerías como scikit-learn, NLTK, spaCy o RASA NLU para deep learning.

Temario

01. Introducción al deep learning

  • Introducción al deep learning. ¿En qué consiste?
  • Análisis de datos con redes neuronales.
  • Introducción a Keras.

02. Deep Learning vs Machine Learning

  • Comparación entre deep learning y machine learning
  • ¿Cuándo y por qué es mejor usar deep learning?
  • Ejemplo con TensorFlow.

03. Deep learning en producción

  • Revisión de matrices y vectores con numpy.
  • Tensores con numpy y TensorFlow.
  • CPU vs GPU vs TPU. Deep learning distribuido en la nube pública.
  • TensorFlow, Pytorch, MxNet… ¿Cúal es mejor?

04. Aprendizaje no supervisado (I). Autoencoders

  • Autoencoders aplicados a imágenes.
  • Autoencoders aplicados a sistemas de recomendación.
  • Autoencoders con varias capas Stacked añadiendo ruido.

05. Redes convolucionales

  • ¿Qué es una convolución? Aprovechando patrones locales
  • Redes convolucionales aplicadas a procesamiento de imagen
  • Ejemplos varios: Reconocimiento de captcha, fingerprint, emociones faciales, etc.

06. Optimización y regularización

  • Stochastic gradient descent.
  • Backpropagation.
  • Overfitting y underfitting.
  • Regularización tradicional: Lasso y ridge.
  • Regularización en redes: max norm, drop out, etc.
  • Optimización avanzada: batch-normalization, Selu, etc.
  • Hyperparameter tuning. Cogiendo manos con las redes neuronales

07. Redes recurrentes (no NLP)

  • Intro a las redes recurrentes.
  • Vanishing gradients: LSTM y GRU.
  • Las RNNs son máquinas de Turing: aprendiendo a sumar.
  • Redes recurrentes aplicadas a series temporales.

08. Reinforcement learning (RL)

  • Intro al reinforcement learning tradicional, comparación con multiarmed bandits.
  • Q-Learning.
  • Deep reinforcement learning: Alpha-go.

09. Bayesian deep learning

  • Añadiendo intervalos de confianza a una red neuronal.

10. Aprendizaje no supervisado (II)

  • Variational autoencoders.
  • Generative adversarial networks.

11. Sesgos, equidad e interpretabilidad en deep learning

  • Casos de desigualdad e injusticia algorítmica.
  • Cómo introducir la equidad y evitar sesgos.
  • Interpretabilidad y explicabilidad.

12. Modelos de atención

  • Atención y memoria.
  • «All you need is attention». Cómo simplificar arquitecturas.

13. Transfer learning

  • Transfiriendo representaciones: El santo grial del deep learning.
  • Transferencia de estilos pictóricos.

14. Beyond deep learning

  • El problema de la generalización.
  • Causal inference: lo que le falta al aprendizaje estadístico (incluyendo deep learning).

15. Caso práctico 1

  • RL aplicado a videojuegos.
  • Sistemas de recomendación.
  • Montar un sistema de detección de caras.
  • Redes recurrentes aplicadas a la generación de música.
  • Redes convolucionales aplicadas a la detección de patrones de sonido.

16. Introducción al procesamiento del lenguaje natural

  • ¿Qué es el Procesamiento del Lenguaje Natural?
  • Sistemas basados en conocimiento vs métodos estadísticos vs métodos neuronales.
  • NLU vs NLG
  • Introducción a la Lingüística: fonética/fonología, morfología, sintaxis, semántica, pragmática.
  • Modelos y formalismos utilizados para codificar información lingüística.

17. Tareas básicas del pipeline de NLP

  • Técnicas básicas de preprocesado: segmentación, tokenización, vectorización.
  •  Stemming, lematización.
  • Desambiguación semántica.
  • Extracción de información y reconocimiento de entidades.
  • Análisis morfológico.
  • Análisis sintáctico: chunking, constituyentes, dependencias.
  • Análisis semántico: tipos de entidades, roles semánticos.
  • Textual entailment.

18. Aplicaciones del NLP

  • Clasificación automática de textos.
  • Búsqueda de respuestas.
  • Extracción de topics/resumen automático.
  • Reconocimiento del habla.
  • Minería de opinión y análisis de sentimiento.
  • Machine comprehension.
  • Generación de lenguaje natural.

19. Deep Learning aplicado a NLP

  • Representaciones distribuidas: embeddings.
  • Traducción automática.
  • Generado captions para imágenes.
  • Transfiriendo estilos.

20. Caso práctico 2

21. Introducción a las interfaces conversacionales

  • Definición e historia.
  • Tipos de interfaces conversacionales.
  • Qué tiene por dentro una interfaz conversacional.
  • Qué es y qué no es un chatbot.
  • Qué necesito saber.
  • Canales de comunicación (sms, Telegram, Whatsapp…).
  • Dispositivos. Interacciones interesantes según el dispositivo.
  • Multimodalidad.
  • Casos de uso interesantes.

22. Introducción a la tecnología para interfaces conversacionales

  • Introducción a las tecnologías que se pueden utilizar + corpus de diálogo.
  • Áreas de una IC: ASR, NLU, DM, RG, TTS.
  • Aplicación de deep learning a interfaces conversacionales.
  • Cómo evaluar y mejorar una interfaz conversacional: entrenamiento y diseño.

23. Diseño inicial y prototipado

  • Introducción al diseño de conversaciones (técnico).
  • Herramientas para el diseño de conversaciones.
  • Alcance de tu chatbot y funcionales de tu chatbot.
  • Personalidad.
  • El mapa de conversación (flujo de navegación).
  • Prototipado: creando scripts de conversaciones.
  • Frases de entrenamiento.

24. Implementación de interfaz conversacional de texto

  • Áreas de una interfaz de texto: NLU, DM y RG. Implementación de la base.
  • NLU – Herramienta: RASA NLU.
  • NLU – Semántica.
  • DM – Herramienta: RASA CORE.
  • RG – Expresiones (aplicando técnicas de NLG).

25. Testing

  • Testing y evaluación de la IC.
  • Técnicas para mejorar la IC.

26. IC y emociones

  • Técnicas de comprensión de emociones.
  • Sentiment analysis aplicado a IC.

27. Caso práctico 3

  • Implementación interfaz conversacional.

Hola,somos Juan Arévalo, Víctor Peinado y Nieves Ábalos, directores del Máster en Deep Learning e IA

Formas de pago y financiación

1º. Reserva de plaza

500 €

2º. Opciones de pago

1
SOLO PAGO
5% de descuento

del precio final

2
CUOTAS
de 3.000 €

sin intereses

5
CUOTAS
de 1.232,50 €
MÁSTER BONIFICABLE A TRAVÉS DE FUNDAE

Este máster es bonificable a través de FUNDAE (antigua Fundación Tripartita). Si no sabes qué es o cómo funciona la FUNDAE, ponte en contacto con nosotros y te ayudaremos a resolver todas las dudas.

Más sobre financiación »

Octubre 2019 – 7 meses

Viernes 17 a 22 horas

Sábado 9 a 14 horas

 

Plazas disponibles: 17 de 25

Abierto
¿Quieres reservar tu plaza en la próxima edición?

Este sitio está protegido por reCAPTCHA y por la Política de Privacidad y las Condiciones de Servicio de Google.

Contacto

 

Quiero recibir y mantenerme al tanto de las comunicaciones comerciales y acciones promocionales de KSchool.
Este sitio está protegido por reCAPTCHA y por la Política de Privacidad y las Condiciones de Servicio de Google.