Saltar al contenido
En colaboración con
Formación online Hasta el 100% Bonificado

Máster en Ciencia de Datos y Aprendizaje Automático + 60 Créditos ECTS

Duración total 1500 horas
Créditos 60 ECTS
Modalidad Online
Convocatoria Abierta
Descargar Dossier

Precio 2.295 €

Solicitar información

Resumen del curso

Descripción

La Ciencia de Datos es un campo en constante evolución que se centra en el análisis, la interpretación y la extracción de conocimiento de grandes conjuntos de datos. En la actualidad, debido a la creciente cantidad de datos, está cada vez más presente la necesidad del desarrollo de profesionales en las Ciencias de Datos. La capacidad de aprovechar esta enorme fuente de información y emplearla en el aprendizaje automático es una herramienta increíblemente potente.

Este Máster en Ciencia de Datos y Aprendizaje Automático proporciona una formación sólida y completa con un enfoque práctico y teórico. El Master brinda a los estudiantes las habilidades necesarias para abordar los desafíos del análisis de datos y el aprendizaje automático en diversos contextos.

Objetivos

  • Repasar la programación estructurada.
  • Ver la elaboración y diseño de interfaces de usuario.
  • Estudiar el acceso a bases de datos, así como su uso, aprovechamiento y gestión.
  • Entender los puntos principales del Data Mining.
  • Ahondar en el desempeño de la Inteligencia Artificial.
  • Tipificar los valores del Machine Learning y aprendizaje Profundo.

¿Para qué te prepara?

Este Máster en Ciencia de Datos y Aprendizaje Automático prepara a los estudiantes para aplicar técnicas y métodos avanzados en la ciencia de datos y el aprendizaje automático. A través de la programación estructurada, el diseño de interfaces y el acceso a bases de datos, los estudiantes adquieren habilidades prácticas para desarrollar aplicaciones y sistemas robustos. Además, aprenden técnicas para garantizar la calidad de sus proyectos.

¿A quién va dirigido?

El Máster en Ciencia de Datos y Aprendizaje Automático está dirigido tanto a profesionales con conocimientos previos, técnicos de informática, como a aquellos que deseen actualizar sus habilidades en estas áreas en respuesta a la creciente demanda de profesionales en el campo de la ciencia de datos. Teniendo en cuenta a estudiantes de esta rama que quieran profundizar.

Salidas profesionales

Los perfiles del Máster en Ciencia de Datos y Aprendizaje Automático tienen una amplia gama de oportunidades laborales. Pueden desempeñarse como científicos de datos, analistas de datos, ingenieros de aprendizaje automático o consultores de análisis de datos en empresas de diferentes sectores, como tecnología, finanzas y económica, salud y marketing.

Temario

MÓDULO 1. PROGRAMACIÓN ESTRUCTURADA
UNIDAD DIDÁCTICA 1. DISEÑO DE ALGORITMOS.
  1. Conceptos básicos. Definición de algoritmo.
  2. Metodología para la solución de problemas
  3. Entidades primitivas para el diseño de instrucciones
  4. Programación estructurada. Métodos para la elaboración de algoritmos
  5. Técnicas para la formulación de algoritmos
  6. Estructuras algorítmicas básicas
  7. Arrays. Operaciones
  8. Cadenas de caracteres. Definición, función, manipulación.
  9. Módulos
  10. Confección de algoritmos básicos.
UNIDAD DIDÁCTICA 2. ESTRUCTURAS DE DATOS.
  1. Análisis de algoritmos.
  2. Manejo de memoria
  3. Estructuras lineales estáticas y dinámicas:
  4. Recursividad.
  5. Estructuras no lineales estáticas y dinámicas
  6. Algoritmos de ordenación.
  7. Métodos de búsqueda.
  8. Tipos abstractos de datos.
UNIDAD DIDÁCTICA 3. PROGRAMACIÓN EN LENGUAJES ESTRUCTURADOS.
  1. El entorno de desarrollo de programación.
  2. Lenguaje estructurado
  3. Herramientas de depuración.
  4. La reutilización del software.
  5. Herramientas de control de versiones.
MÓDULO 2. ELABORACIÓN DE INTERFACES DE USUARIO
UNIDAD DIDÁCTICA 1. DISEÑO DE INTERFACES DE USUARIO.
  1. Evolución de las interfaces en el software de gestión.
  2. Características de las Interfaces, interacción hombre-máquina.
  3. Interface gráficas de usuario
  4. Normalización y estándares
  5. User Access), CDE (Common Desktop Environment), etc.
  6. Guías de estilos.
  7. Normas CUA (Common User Access)
  8. Arquitectura y herramientas para el desarrollo de GUI:
  9. Diseño y desarrollo de interfaces de gestión:
  10. Evaluación del diseño
UNIDAD DIDÁCTICA 2. INTERFACES Y ENTORNOS GRÁFICOS.
  1. Interfaces gráficas de usuario
  2. Herramientas para el desarrollo de interfaces gráficas de usuario
  3. Técnicas de usabilidad.
  4. Rendimiento de interfaces.
  5. Notación Húngara.
  6. Estructura de un programa GUI
  7. El procedimiento de ventana
  8. Menús.
  9. Fichero de recursos.
  10. Los cajas de diálogo
  11. Controles básicos.
  12. El Interfaz de dispositivos gráficos (GDI)
MÓDULO 3. ACCESO A BASES DE DATOS
UNIDAD DIDÁCTICA 1. ACCESO A BASES DE DATOS Y OTRAS ESTRUCTURAS.
  1. El cliente del SGBD. Usuarios y privilegios.
  2. El lenguaje SQL.
  3. Objetos de la base de datos.
  4. Integridad y seguridad de los datos
  5. Sentencias del lenguaje estructurado para operar sobre las bases de datos.
  6. APIs de acceso a bases de datos.
  7. Integración de los objetos de la base de datos en el lenguaje de programación estructurado.
  8. Conexiones para el acceso a datos
  9. Realización de consultas SQL desde un programa estructurado
  10. Creación y eliminación de bases de datos.
  11. Creación y eliminación de tablas.
  12. Manipulación de datos contenidos en una base de datos:
  13. Objetos de Acceso a Datos (DAO)
  14. Herramientas de acceso a datos proporcionadas por el entorno de programación.
MÓDULO 4. ELABORACIÓN DE PRUEBAS E INSTALACIÓN Y DESPLIEGUE DE APLICACIONES
UNIDAD DIDÁCTICA 1. PRUEBAS DEL SOFTWARE.
  1. Fundamentos y objetivos de las pruebas.
  2. Tipos de errores y coste de corrección.
  3. Planificación de las pruebas
  4. Proceso de pruebas. Las pruebas en las distintas fases.
  5. Tipos de pruebas
  6. Herramientas.
  7. Normas de calidad del software
  8. Documentación de pruebas
UNIDAD DIDÁCTICA 2. HERRAMIENTAS DE GENERACIÓN DE PAQUETES.
  1. Funciones y características.
  2. Empaquetamiento, instalación y despliegue
UNIDAD DIDÁCTICA 3. DOCUMENTACIÓN DE APLICACIONES.
  1. Herramientas de documentación: características.
  2. Herramientas para generación de ayudas.
  3. Documentación de una aplicación, características, tipos
MÓDULO 5. BASES DE DATOS RELACIONALES Y MODELADO DE DATOS
UNIDAD DIDÁCTICA 1. BASES DE DATOS RELACIONALES.
  1. Concepto de base de datos relacional.
  2. Ejemplificación.
  3. Concepto de modelos de datos. Funciones y sublenguajes (DDL y DML).
  4. Clasificación los diferentes tipos de modelos de datos de acuerdo al nivel abstracción
  5. Enumeración de las reglas de Codd para un sistema relacional.
UNIDAD DIDÁCTICA 2. ANÁLISIS DEL MODELO RELACIONAL Y DE LOS ELEMENTOS QUE LO INTEGRAN.
  1. Concepto de Relaciones y sus propiedades.
  2. Concepto de Claves en el modelo relacional.
  3. Nociones de álgebra relacional.
  4. Nociones de Cálculo relacional de tuplas para poder resolver ejercicios prácticos básicos.
  5. Nociones de Calculo relacional de dominios.
  6. Teoría de la normalización y sus objetivos
UNIDAD DIDÁCTICA 3. DESCRIPCIÓN Y APLICACIÓN DEL MODELO ENTIDAD-RELACIÓN PARA EL MODELADO DE DATOS.
  1. Proceso de realización de diagramas de entidad-relación y saberlo aplicar.
  2. Elementos
  3. Diagrama entidad relación entendidos como elementos para resolver las carencias de los diagramas Entidad-Relación simples.
  4. Elementos
  5. Desarrollo de diversos supuestos prácticos de modelización mediante diagramas de entidad relación.
UNIDAD DIDÁCTICA 4. MODELO ORIENTADO A OBJETO.
  1. Contextualización del modelo orientado a objeto dentro del modelado UML.
  2. Comparación del modelo de clases con el modelo-entidad relación.
  3. Diagrama de objetos como caso especial del diagrama de clases.
UNIDAD DIDÁCTICA 5. MODELO DISTRIBUIDO Y LOS ENFOQUES PARA REALIZAR EL DISEÑO.
  1. Enumeración de las ventajas e inconvenientes respecto a otros modelos.
  2. Concepto de fragmentación y sus diferentes tipos
  3. Enumeración de las reglas de corrección de la fragmentación.
  4. Enumeración de las reglas de distribución de datos.
  5. Descripción de los esquemas de asignación y replicación de datos.
MÓDULO 6. LENGUAJES DE DEFINICIÓN Y MODIFICACIÓN DE DATOS SQL
UNIDAD DIDÁCTICA 1. ANÁLISIS DE LOS OBJETOS Y ESTRUCTURAS DE ALMACENAMIENTO DE LA INFORMACIÓN PARA DIFERENTES SGBD.
  1. Relación de estos elementos con tablas, vistas e índices.
  2. Consecuencias practicas de seleccionar los diferentes objetos de almacenamientos.
  3. Diferentes métodos de fragmentación de la información en especial para bases de datos distribuidas.
UNIDAD DIDÁCTICA 2. LENGUAJES DE DEFINICIÓN, MANIPULACIÓN Y CONTROL.
  1. Conceptos básicos, nociones y estándares.
  2. Lenguaje de definición de datos (DDL SQL) y aplicación en SGBD actuales.
  3. Discriminación de los elementos existentes en el estándar SQL-92 de otros elementos existentes en bases de datos comerciales.
  4. Sentencias de creación: CREATE
  5. Nociones sobre el almacenamiento de objetos en las bases de datos relacionales.
  6. Nociones sobre almacenamiento y recuperación de XML en las bases de datos relacionales
UNIDAD DIDÁCTICA 3. TRANSACCIONALIDAD Y CONCURRENCIA.
  1. Conceptos fundamentales.
  2. Identificación de los problemas de la concurrencia.
  3. Actualizaciones perdidas.
  4. Lecturas no repetibles.
  5. Lecturas ficticias.
  6. Nociones sobre Control de la concurrencia
  7. Conocimiento de las propiedades fundamentales de las transacciones.
  8. ACID
  9. Análisis de los niveles de aislamiento
  10. Serializable.
  11. - Desarrollo de un supuesto práctico en el que se ponga de manifiesto la relación y las implicaciones entre el modelo lógico de acceso y definición de datos y el modelo físico de almacenamiento de los datos.
MÓDULO 7. SALVAGUARDA Y SEGURIDAD DE LOS DATOS
UNIDAD DIDÁCTICA 1. SALVAGUARDA Y RECUPERACIÓN DE DATOS.
  1. Descripción de los diferentes fallos posibles (tanto físicos como lógicos) que se pueden plantear alrededor de una base de datos.
  2. Enumeración y descripción de los elementos de recuperación ante fallos lógicos que aportan los principales SGBD estudiados.
  3. Distinción de los diferentes tipos de soporte utilizados para la salvaguarda de datos y sus ventajas e inconvenientes en un entorno de backup.
  4. Concepto de RAID y niveles más comúnmente utilizados en las empresas
  5. Servidores remotos de salvaguarda de datos.
  6. Diseño y justificación de un plan de salvaguarda y un protocolo de recuperación de datos para un supuesto de entorno empresarial.
  7. Tipos de salvaguardas de datos
  8. Definición del concepto de RTO (Recovery Time Objective) y RPO (Recovery Point Objective).
  9. Empleo de los mecanismos de verificación de la integridad de las copias de seguridad.
UNIDAD DIDÁCTICA 2. BASES DE DATOS DISTRIBUIDAS DESDE UN PUNTO DE VISTA ORIENTADO A LA DISTRIBUCIÓN DE LOS DATOS Y LA EJECUCIÓN DE LAS CONSULTAS.
  1. Definición de SGBD distribuido. Principales ventajas y desventajas.
  2. Características esperadas en un SGBD distribuido.
  3. Clasificación de los SGBD distribuidos según los criterios
  4. Enumeración y explicación de las reglas de DATE para SGBD distribuidos.
  5. Replicación de la información en bases de datos distribuidas.
  6. Procesamiento de consultas.
  7. Descomposición de consultas y localización de datos.
UNIDAD DIDÁCTICA 3. SEGURIDAD DE LOS DATOS.
  1. Conceptos de seguridad de los datos: confidencialidad, integridad y disponibilidad.
  2. Normativa legal vigente sobre datos
  3. Seguimiento de la actividad de los usuarios
  4. Introducción básica a la criptografía
  5. Desarrollo de uno o varios supuestos prácticos en los que se apliquen los elementos de seguridad vistos con anterioridad.
UNIDAD DIDÁCTICA 4. TRANSFERENCIA DE DATOS.
  1. Descripción de las herramientas para importar y exportar datos
  2. Clasificación de las herramientas
  3. Muestra de un ejemplo de ejecución de una exportación e importación de datos.
  4. Migración de datos entre diferentes SGBD
MÓDULO 8. CREACIÓN Y GESTIÓN DE BASES DE DATOS SQL
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LAS BASES DE DATOS
  1. Ventajas e inconvenientes de las baes de datos
  2. Conceptos generales
  3. El modelo entidad-relación
  4. El modelo entidad-relación extendido
  5. Restricciones de integridad
UNIDAD DIDÁCTICA 2. EL MODELO DE BASES DE DATOS RELACIONAL
  1. Estructura del modelo relacional
  2. Claves en el modelo relacional
  3. Restricciones de integridad
  4. Teoría de la normalización
  5. Diseño de una base de datos relacional
  6. Tipos de lenguajes relacionales
UNIDAD DIDÁCTICA 3. LENGUAJE DE CONSULTA SQL
  1. Características de SQL
  2. Sistemas de Gestión de Bases de Datos con soporte SQL
  3. Sintaxis en SQL
  4. Especificación de restricciones de integridad
UNIDAD DIDÁCTICA 4. MYSQL COMO SISTEMA GESTOR DE BASES DE DATOS RELACIONALES
  1. Caracterísiticas de MySQL
  2. Tipos de datos
  3. Sisntaxis SQL para MySQL
UNIDAD DIDÁCTICA 5. SALVAGUARDA Y RECUPERACIÓN DE DATOS
  1. Posibles fallos en una base de datos
  2. Elementos de recuperación
  3. Tipos de soporte
  4. RAID
  5. Servidores remotos de salvaguarda de datos
  6. Diseño de un plan de salvaguarda y protocolo de recuperación de datos
  7. Tipos de salvaguardas de datos
  8. RTO (Recovery Time Objective) y RPO (Recovery Point Objective)
  9. Mecanismos de verificación de la integridad de las copias de seguridad
UNIDAD DIDÁCTICA 6. BASES DE DATOS DISTRIBUIDAS
  1. Definición de SGBD distribuido. Principales ventajas y desventajas
  2. Características esperadas en un SGBD distribuido
  3. Clasificación de los SGBD distribuidos
  4. Enumeración y explicación de las reglas de DATE para SGBD distribuidos
  5. Replicación de la información en bases de datos distribuidas
  6. Procesamiento de consultas
  7. Descomposición de consultas y localización de datos
UNIDAD DIDÁCTICA 7. SEGURIDAD DE LOS DATOS
  1. Conceptos de seguridad de los datos: confidencialidad, integridad y disponibilidad
  2. Normativa legal vigente sobre datos
  3. Supuestos prácticos
UNIDAD DIDÁCTICA 8. TRANSFERENCIA DE DATOS
  1. Herramientas para importar y exportar datos
  2. Clasificación de las herramientas
  3. Ejemplo de ejecución de una exportación e importación de datos
  4. Migración de datos entre diferentes SGBD
  5. Inconvenientes al traspasar datos entre distintos SGBD
MÓDULO 9. DATA MINING
UNIDAD DIDÁCTICA 1. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO
  1. Introducción a la minería de datos y el aprendizaje automático
  2. Proceso KDD
  3. Modelos y Técnicas de Data Mining
  4. Áreas de aplicación
  5. Minería de textos y Web Mining
  6. Data mining y marketing
UNIDAD DIDÁCTICA 2. R COMO HERRAMIENTA PARA BIG DATA
  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop
UNIDAD DIDÁCTICA 3. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis
UNIDAD DIDÁCTICA 4. ANÁLISIS DE LOS DATOS
  1. Inteligencia Analítica de negocios
  2. La teoría de grafos y el análisis de redes sociales
  3. Presentación de resultados
UNIDAD DIDÁCTICA 5. PROCESAMIENTO DISTRIBUIDO DE DATOS CON HADOOP
  1. ¿Qué es Hadoop?
  2. El sistema de archivos HDFS
  3. Algunos comandos de referencia
  4. Procesamiento MapReduce con Hadoop
  5. El concepto de los clusters en Hadoop
UNIDAD DIDÁCTICA 6. WEKA Y DATA MINING
  1. ¿Qué es Weka?
  2. Técnicas de Data Mining en Weka
  3. Interfaces de Weka
  4. Selección de atributos
MÓDULO 10. INTELIGENCIA ARTIFICIAL GENERATIVA Y AUTOMATIZACIÓN CON IA
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LA IA GENERATIVA Y LLMS
  1. Evolución de la inteligencia artificial
  2. De IA clásica a IA generativa
  3. Qué es un LLM y cómo funciona
  4. Arquitectura general de los modelos modernos
  5. Capacidades reales y límites
  6. Impacto en negocio y transformación digital
UNIDAD DIDÁCTICA 2. ECOSISTEMA DE MODELOS Y APIS DE IA
  1. Principales modelos actuales
  2. Diferencias de enfoque entre proveedores
  3. Multimodalidad
  4. Cuándo usar cada modelo
  5. Introducción a APIs de IA
  6. Costes, rendimiento y consideraciones empresariales
UNIDAD DIDÁCTICA 3. PROMPT ENGINEERING Y DISEÑO DE INTERACCIONES
  1. Fundamentos del prompting
  2. Estructuración de prompts eficaces
  3. Técnicas avanzadas
  4. Prompting para tareas de negocio
  5. Evaluación y mejora de prompts
  6. Errores comunes y buenas prácticas profesionales
UNIDAD DIDÁCTICA 4. GENERACIÓN DE CONTENIDOS MULTIMEDIA CON IA
  1. Generación de texto profesional con IA
  2. Fundamentos de generación de imágenes
  3. Midjourney y diseño visual
  4. Stable Diffusion y control avanzado
  5. Introducción a vídeo y audio generativo
  6. Casos reales en marketing, comunicación y formación
  7. Derechos de autor, riesgos legales y uso comercial
UNIDAD DIDÁCTICA 5. PRODUCTIVIDAD EMPRESARIAL CON IA
  1. Asistentes de IA en el trabajo
  2. Automatización de reuniones y toma de notas
  3. IA para análisis y síntesis de información
  4. Introducción a flujos de trabajo aumentados con IA
  5. Gestión del cambio en organizaciones
  6. IA aplicada a ofimática
UNIDAD DIDÁCTICA 6. AUTOMATIZACIÓN LOW-CODE / NO-CODE CON IA
  1. Introducción a la automatización inteligente
  2. Fundamentos de low-code / no-code
  3. Zapier + IA
  4. Enrutamiento de tareas con IA
  5. Integraciones con CRM y ERP
  6. Diseño de flujos de negocio automatizados
  7. Make (Integromat) y automatizaciones complejas
UNIDAD DIDÁCTICA 7. ORQUESTACIÓN DE SISTEMAS Y FLUJOS AVANZADOS (N8N)
  1. Introducción a n8n como motor de automatización
  2. Diseño de workflows complejos
  3. Integración de APIs y servicios externos
  4. Pipelines de datos con IA
  5. Automatización de backoffice
  6. Generación automática de documentación
  7. Arquitectura de sistemas automatizados
UNIDAD DIDÁCTICA 8. EMBEDDINGS, BÚSQUEDA SEMÁNTICA Y RAG
  1. Qué son los embeddings
  2. Búsqueda semántica vs búsqueda tradicional
  3. Bases de datos vectoriales
  4. Qué es RAG (Retrieval-Augmented Generation)
  5. Diseño de sistemas RAG
  6. Casos de uso corporativos
  7. Limitaciones y riesgos del enfoque RAG
UNIDAD DIDÁCTICA 9. AGENTES DE IA Y SISTEMAS AUTÓNOMOS
  1. Qué es un agente de IA
  2. Diferencias entre chatbots, workflows y agentes
  3. Razonamiento, planificación y memoria
  4. Uso de herramientas externas (tool use)
  5. Integración con RAG y sistemas reales
  6. Casos prácticos de agentes
  7. Riesgos, control humano y supervisión
UNIDAD DIDÁCTICA 10. EVALUACIÓN, SEGURIDAD Y GOBERNANZA DE LA IA
  1. Cómo evaluar resultados de IA generativa
  2. Calidad, precisión y consistencia de outputs
  3. Riesgos algorítmicos
  4. Ciberseguridad en sistemas con IA
  5. Introducción a la EU AI Act
  6. Clasificación de riesgos
  7. Implicaciones prácticas para empresas
  8. Uso responsable y gobernanza de IA
UNIDAD DIDÁCTICA 11. CASOS PRÁCTICOS POR SECTOR
  1. Sanidad
  2. Educación
  3. Marketing
  4. Recursos Humanos
  5. Operaciones
  6. Identificación de oportunidades por sector
MÓDULO 11. MACHINE LEARNING
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL MACHINE LEARNING.
UNIDAD DIDÁCTICA 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING.
UNIDAD DIDÁCTICA 3. SISTEMAS DE RECOMENDACIÓN.
UNIDAD DIDÁCTICA 4. CLASIFICACIÓN.
UNIDAD DIDÁCTICA 5. REDES NEURONALES Y DEEP LEARNING.
UNIDAD DIDÁCTICA 6. SISTEMAS DE ELECCIÓN.
UNIDAD DIDÁCTICA 7. PROCESAMIENTO DE LENGUAJE NATURAL.
MÓDULO 12. APRENDIZAJE PROFUNDO
UNIDAD DIDÁCTICA 1. ¿QUÉ ES EL APRENDIZAJE PROFUNDO?
  1. Concepto de aprendizaje profundo
  2. - Diferencias existentes entre el aprendizaje profundo y el aprendizaje automático
  3. Evolución e historia del aprendizaje profundo
  4. - Cronología histórica
  5. - Pioneros del campo del aprendizaje profundo
  6. Ventajas del aprendizaje profundo
  7. - Principales ventajas del aprendizaje profundo
UNIDAD DIDÁCTICA 2. SISTEMAS NEURONALES
  1. Redes neuronales
  2. Redes profundas y redes poco profundas
UNIDAD DIDÁCTICA 3. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
  1. Aprendizaje profundo
  2. Entorno de Deep Learning con Python
  3. Aprendizaje automático y profundo
UNIDAD DIDÁCTICA 4. ESTRATEGIAS DE APRENDIZAJE
  1. Entrada y salida de datos
  2. Entrenar una red neuronal
  3. Gráficos computacionales
  4. Implementación de una red profunda
  5. El algoritmo de propagación directa
  6. Redes neuronales profundas multicapa
UNIDAD DIDÁCTICA 5. EL APRENDIZAJE PROFUNDO POR REFUERZO
  1. Concepto de aprendizaje profundo por refuerzo
  2. Los elementos que componen un modelo de aprendizaje profundo por refuerzo
  3. El funcionamiento del aprendizaje profundo por refuerzo
  4. - Recompensas vs penalizaciones
  5. - Algoritmos a utilizar
  6. - La ecuación de Bellman
  7. Posibilidades del aprendizaje profundo por refuerzo
UNIDAD DIDÁCTICA 6. APLICACIONES DEL APRENDIZAJE PROFUNDO
  1. Las posibilidades futuras del aprendizaje profundo
  2. Principales usos en la actualidad
  3. Aprendizaje profundo e IoT
  4. - El concepto de IoT
  5. Aplicaciones en el entorno empresarial
MÓDULO 13. PROYECTO FIN DE MÁSTER

Descubre cuánto puede invertir tu empresa en formación sin coste

Como cliente o asociado de AFT, puedes solicitar información personalizada sobre tu crédito Fundae y la formación disponible para tu equipo.

Formulario de solicitud de información