Inicio > Àrea de Ciències i Tecnologia > Diploma d'Especialització en Deep Learning

1a Edició - Codi 22822080

Array ( [CODIGO] => 22822080 [EDICION] => 1 [SITUACION] => Aprobado [SITUACION_BIS] => Suspendido [MATRICULA] => 2000 [MATRICULA_2] => 0 [MATRICULA_3] => 0 [HORAS] => 30.00 [FECHA_INICIO] => 30/09/2022 [FECHA_FIN] => 03/06/2023 [LUGAR] => [NOMBRE_EMPRESA_ORGANIZADOR] => Departament d'Enginyeria Electrònica [FECHA_FIN_PREINSCRIPCION] => 15/09/2022 [AREA] => 8 [NOMBRE_EMPRESA_PATROCINADO] => [NOMBRE_EMPRESA_COLABORADOR] => [OBSERVACIONES_PREINSCRIPCION] => [TIPO_DOCENCIA] => A distancia [TIPO_DOCENCIA_1] => 3 [TIPO_DOCENCIA_2] => On-line [AULA_VIRTUAL_ADEIT] => 0 [TIPO_CURSO] => Postgrado [TIPO_CURSO_1] => Título Propio de Pos [DIRECCION_URL] => [AÑO_CURSO] => 34 [URL_VIDEO] => [URL_FACEBOOK] => [URL_TWITTER] => [META_TITLE] => [META_DESCRIPTION] => [META_KEYWORDS] => [DIRECCION_CURSO_CORTO] => deep-learning [GESTOR_NOMBRE] => Mariam [GESTOR_APELLIDOS] => Conca [GESTOR_EMAIL] => marian.conca@fundacions.uv.es [ADMINISTRATIVO_NOMBRE] => Carolina [ADMINISTRATIVO_APELLIDOS] => Escribano Asensi [ADMINISTRATIVO_EMAIL] => carolina.escribano@fundacions.uv.es [ES_INTERNO] => 1 [EMAIL_EXTERNO] => informacion@adeituv.es [PREINSCRIPCION_WEB] => 0 [URL_AULA_VIRTUAL] => [OFERTADO_OTRO] => 0 [ID_CURSO_OFERTADO] => 0 [DESCRIPCION_OFERTADO] => [TELEFONO_EXTERNO] => 96 160 3000 [MATRICULA_PDTE_APROBACION] => 0 [ID_IDIOMA] => 4 [PUBLICAR_WEB] => 0 [area_curs] => Àrea de Ciències i Tecnologia [NOMBRE_CURSO] => Diploma d'Especialització en Deep Learning [TITULACION] => Diploma d'Especialització [HORARIO] => [REQUISITOS_TITULACION] => [REQUISITOS_OTROS] => [ARG_VENTA] => [ARG_VENTA2] => [AÑO_CURSO_DESC] => [MODALIDAD_EVALUACION] => Classes síncrones amb el professor en les quals professor exposarà els continguts. L'alumne pot interactuar (preguntant directament o bé en el xat de la reunió) amb aquest professor. A més es plantegen sessions de tutories personalitzades per a tots aquells conceptes que no hagen quedat clars [MODALIDAD_EVALUACION2] => [OBSERVACION_MATRICULA_1] => [OBSERVACION_MATRICULA_2] => [OBSERVACION_MATRICULA_3] => [SALIDA_PROFESIONAL] => [CRITERIO_ADMISION] => [CRITERIO_ADMISION2] => [CRITERIO_ADMISION3] => [FORMACION_APRENDIZAJE] => [FORMACION_APRENDIZAJE2] => [FORMACION_APRENDIZAJE3] => [ANO_CURSO_DESC] => Curs 2022/2023 [programa] => Array ( [0] => Array ( [CODIGO_CURSO] => 22822080 [AÑO_CURSO] => 34 [CODIGO] => 1 [NOMBRE_MATERIA] => [NOMBRE_MATERIA_VAL] => [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Xarxes de càpsules. Arquitectures especialitzades en segmentació i detecció. Transformers en visió. Altres aproximacions. Casos pràctics. [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Xarxes de càpsules. Arquitectures especialitzades en segmentació i detecció. Transformers en visió. Altres aproximacions. Casos pràctics. [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 1 ) [1] => Array ( [CODIGO_CURSO] => 22822080 [AÑO_CURSO] => 34 [CODIGO] => 2 [NOMBRE_MATERIA] => [NOMBRE_MATERIA_VAL] => [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Xarxes especialitzats en grafs: Aplicacions. PINN (Physics Informed Neural Networks): Aplicacions. Self supervised. Fair learning. Data-Centric Learning. One-shot learning. Tractament de la incertesa en xarxes. [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Xarxes especialitzats en grafs: Aplicacions. PINN (Physics Informed Neural Networks): Aplicacions. Self supervised. Fair learning. Data-Centric Learning. One-shot learning. Tractament de la incertesa en xarxes. [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 2 ) [2] => Array ( [CODIGO_CURSO] => 22822080 [AÑO_CURSO] => 34 [CODIGO] => 3 [NOMBRE_MATERIA] => [NOMBRE_MATERIA_VAL] => [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Algorismes clàssics. Algorismes basats en Autoencoders. Algorismes basats en models generatius (GANs, Normalizing Flows, Condicionals). Casos pràctics [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Algorismes clàssics. Algorismes basats en Autoencoders. Algorismes basats en models generatius (GANs, Normalizing Flows, Condicionals). Casos pràctics [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 3 ) [3] => Array ( [CODIGO_CURSO] => 22822080 [AÑO_CURSO] => 34 [CODIGO] => 4 [NOMBRE_MATERIA] => [NOMBRE_MATERIA_VAL] => [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Hardware especialitzat en deep learning. Passos per a la implementació maquinari. Implementació de casos pràctics. [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Hardware especialitzat en deep learning. Passos per a la implementació maquinari. Implementació de casos pràctics. [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 4 ) [4] => Array ( [CODIGO_CURSO] => 22822080 [AÑO_CURSO] => 34 [CODIGO] => 5 [NOMBRE_MATERIA] => [NOMBRE_MATERIA_VAL] => [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Algorismes de interpretabilidad per a ML. Algorismes i llibreries per a interpretar CNNs i RNNs en problemes amb imatges, text i sèries temporals. Biaix en models: tècniques per a evitar-los [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Algorismes de interpretabilidad per a ML. Algorismes i llibreries per a interpretar CNNs i RNNs en problemes amb imatges, text i sèries temporals. Biaix en models: tècniques per a evitar-los [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 5 ) [5] => Array ( [CODIGO_CURSO] => 22822080 [AÑO_CURSO] => 34 [CODIGO] => 6 [NOMBRE_MATERIA] => [NOMBRE_MATERIA_VAL] => [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Procés complet en el desenvolupament d'un servei basat en reinforcement learning (RL). S'ensenyarà com programar simuladors per al desenvolupament dels models de *RL així com els trucs a tindre en compte . En el marc dels models es desenvoluparen les principals tècniques aplicades. Després d'aquest bloc, els estudiants seran capaços de dissenyar i programar (de manera autònoma) un simulador per a entrenar els seus models i resoldre tasques d'aprenentatge concretes. Al mateix temps coneixeran els principals models del RL i seran capaços d'identificar la millor situació per al seu ús. Es realitzaran casos pràctics sobre problemes reals. [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Procés complet en el desenvolupament d'un servei basat en reinforcement learning (RL). S'ensenyarà com programar simuladors per al desenvolupament dels models de *RL així com els trucs a tindre en compte . En el marc dels models es desenvoluparen les principals tècniques aplicades. Després d'aquest bloc, els estudiants seran capaços de dissenyar i programar (de manera autònoma) un simulador per a entrenar els seus models i resoldre tasques d'aprenentatge concretes. Al mateix temps coneixeran els principals models del RL i seran capaços d'identificar la millor situació per al seu ús. Es realitzaran casos pràctics sobre problemes reals. [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 6 ) [6] => Array ( [CODIGO_CURSO] => 22822080 [AÑO_CURSO] => 34 [CODIGO] => 7 [NOMBRE_MATERIA] => [NOMBRE_MATERIA_VAL] => [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Conceptes principals en MLOps. Disseny d'entorns de treball utilitzant docker i git per a un desenvolupament eficient dels projectes de deep learning. Després d'aquest bloc, els estudiants seran capaços de dissenyar les seues pròpies imatges per a treballar en els seus projectes dins de contenidors i portar un control de versions utilitzant git. Entrenament detalladament d'una NN. Monitoratge de l'entrenament (i.e. wandb). Eines necessàries. Desenvolupament d'un projecte des de zero. Desplaçament dels models: tècniques per a solucionar-ho [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Conceptes principals en MLOps. Disseny d'entorns de treball utilitzant docker i git per a un desenvolupament eficient dels projectes de deep learning. Després d'aquest bloc, els estudiants seran capaços de dissenyar les seues pròpies imatges per a treballar en els seus projectes dins de contenidors i portar un control de versions utilitzant git. Entrenament detalladament d'una NN. Monitoratge de l'entrenament (i.e. wandb). Eines necessàries. Desenvolupament d'un projecte des de zero. Desplaçament dels models: tècniques per a solucionar-ho [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 7 ) ) [professors] => Array ( [0] => Array ( [DNI] => emp385799 [NOMBRE_PERSONA] => Julián [APELLIDOS] => Ballesteros García [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Grado en Ingeniería Electrónica de Telecomunicación [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [1] => Array ( [DNI] => emp368946 [NOMBRE_PERSONA] => Javier [APELLIDOS] => Cuadra Alconero [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Data Scientis t/ BME [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [2] => Array ( [DNI] => emp393051 [NOMBRE_PERSONA] => Enrique [APELLIDOS] => García Vidal [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => 0 [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [3] => Array ( [DNI] => uni62469 [NOMBRE_PERSONA] => Valero [APELLIDOS] => Laparra Pérez-Muelas [PDI] => 1 [DEPARTAMENTO_FACULTAD] => Departament d'Enginyeria Electrònica. Universitat de València [CARGO_FACULTAD] => Ayudante/a Doctor/a [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [4] => Array ( [DNI] => emp387610 [NOMBRE_PERSONA] => Marina [APELLIDOS] => Martínez García [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [5] => Array ( [DNI] => emp376772 [NOMBRE_PERSONA] => Alberto [APELLIDOS] => Oteo García [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Data scientist [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [6] => Array ( [DNI] => emp393057 [NOMBRE_PERSONA] => Pablo [APELLIDOS] => Rodríguez Belenguer [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => 0 [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [7] => Array ( [DNI] => uni64103 [NOMBRE_PERSONA] => Manuel Antonio [APELLIDOS] => Sánchez-Montañés Isla [PDI] => 3 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Contratado Doctor - Universidad Autónoma de Madrid [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [8] => Array ( [DNI] => uni51421 [NOMBRE_PERSONA] => Emilio [APELLIDOS] => Soria Olivas [PDI] => 1 [DEPARTAMENTO_FACULTAD] => Departament d'Enginyeria Electrònica. Universitat de València [CARGO_FACULTAD] => Catedrático/a de Universidad [NPI] => H4268 [EMAIL_FACULTAD] => soriae@uv.es [CARGO_EMPRESA] => [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [9] => Array ( [DNI] => emp393049 [NOMBRE_PERSONA] => Francisco [APELLIDOS] => Vaquer Estalrich [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => 0 [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [10] => Array ( [DNI] => emp393053 [NOMBRE_PERSONA] => Juan [APELLIDOS] => Vicent Camison [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => 0 [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [11] => Array ( [DNI] => emp393055 [NOMBRE_PERSONA] => Jorge [APELLIDOS] => Vila Tomás [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => 0 [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) ) [direccio] => Array ( [0] => Array ( [0] => Array ( [DNI] => uni51421 [NOMBRE_PERSONA] => Emilio [APELLIDOS] => Soria Olivas [PDI] => 1 [DEPARTAMENTO_FACULTAD] => Departament d'Enginyeria Electrònica. Universitat de València [CARGO_FACULTAD] => Catedrático/a de Universidad [NPI] => H4268 [EMAIL_FACULTAD] => soriae@uv.es [CARGO_EMPRESA] => [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) ) ) )

Diploma d'Especialització en Deep Learning

Dades generals
-
 Programa
+
 Direcció
+
 Professorat
+
 Metodologia
+
 Accés i Resultats d'Aprenentatge
+

Dades generals

Curs acadèmic: Curs 2022/2023

Tipus de curs: Diploma d'Especialització

Nombre de crèdits: 30.00 Crèdits ECTS

Preinscripció al curs: Hasta el 15/09/2022

Data inici: Setembre 2022

Data fi: Juny 2023

Matrícula: 2000 € (import preu públic)

Modalitat: On-line

Lloc d'impartició:

Horari:

Més informació

Solicita información

Responsable: Universitat de València. Edifici del Rectorat. Av. Blasco Ibáñez, 13. 46010-València.
Delegat de Protecció de Dades: D. Javier Plaza Penadés lopd@uv.es
Finalitat: Enviar informació rellevant de cursos de postgrau.
S'obtenen perfils a fi de personalitzar el tracte conforme a les seves característiques o necessitats i poder així dirigir-li les novetats més convenients.
Legitimació: Per a l'enviament d'informació sobre els títols propis de la Universitat de València la base de legitimació és el consentiment de l'interessat.
Destinataris: Fundació Universitat-Empresa de Valéncia and Universitat de València
Termini: Les dades de l'Usuari seran conservats fins que sol·liciti la seva baixa, s'oposi o revoqui el seu consentiment.
Drets: Accedir, rectificar i suprimir les dades així com altres drets com s'explica a la informació addicional.
Amplieu informació: www.adeituv.es/politica-de-privacidad.

FAQS
 
Imprimir la informaciò