Inicio > Àrea de Ciències i Tecnologia > Màster de Formació Permanent en Intel·ligència Artificial

5a Edició - Codi 24811230

Array ( [CODIGO] => 24811230 [EDICION] => 5 [SITUACION] => Aprobado [SITUACION_BIS] => Iniciado [MATRICULA] => 3500 [MATRICULA_2] => 0 [MATRICULA_3] => 0 [HORAS] => 60.00 [FECHA_INICIO] => 13/09/24 [FECHA_FIN] => 31/07/25 [LUGAR] => Online [NOMBRE_EMPRESA_ORGANIZADOR] => Escola Tècnica Superior d'Enginyeria (ETSE-UV) [FECHA_FIN_PREINSCRIPCION] => 15/10/24 [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] => 36 [URL_VIDEO] => [URL_FACEBOOK] => [URL_TWITTER] => [META_TITLE] => [META_DESCRIPTION] => [META_KEYWORDS] => [DIRECCION_CURSO_CORTO] => inteligencia-artificial-IA [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] => 1 [area_curs] => Àrea de Ciències i Tecnologia [NOMBRE_CURSO] => Màster de Formació Permanent en Intel·ligència Artificial [TITULACION] => Màster de Formació Permanent [HORARIO] => [REQUISITOS_TITULACION] => Professionals i estudiants interessats a conéixer les diverses ferramentes de IA per a ser aplicades en diferents empreses/sectors productius. El perfil dels participants és el d'enginyers, matemàtics, físics, químics, estadístics i economistes. No és necessària experiència prèvia en esta mena de temàtica. [REQUISITOS_OTROS] => [ARG_VENTA] => Este màster té com a objectius proporcionar els coneixements necessaris per a poder aplicar les tècniques més avançades d'Intel·ligència Artificial, tenint la capacitat de formar professionals altament qualificats i amb els coneixements/skills necessaris per a resoldre problemes complexos, desenvolupar tasques de responsabilitat en empreses o iniciar activitats d'investigació tant teòrica com pràctica en intel·ligència artificial. Es dirigix a totes les persones que procedisquen de l'àmbit de les enginyeries, ciències pures (Matemàtiques/Física) o Econòmiques amb un background en modelització. [ARG_VENTA2] => [AÑO_CURSO_DESC] => Curs 2024/2025 [MODALIDAD_EVALUACION] => Se seguirà una política de learning by doing on es plantejarà una xicoteta introducció als diferents models de Deep Learning/IA per a, posteriorment passar directament a la pràctica [MODALIDAD_EVALUACION2] => [OBSERVACION_MATRICULA_1] => [OBSERVACION_MATRICULA_2] => [OBSERVACION_MATRICULA_3] => [SALIDA_PROFESIONAL] => Estos perfils professionals poden desenvolupar la seua activitat en qualsevol organització que utilitze ferramentes de IA o analitze dades de cara a optimitzar el seu negoci. Està especialment dissenyat per a formar professionals en els següents sectors: Sector financer i d'assegurances; Sector de consultoria; Comerç electrònic; Instituts d'investigació; Institucions públiques; així com Departaments d'anàlisis de dades d'altres indústries. [CRITERIO_ADMISION] => Per a admetre als estudiants es tindrà en compte: a) titulació universitària amb la qual s'accedix; b) experiència laboral prèvia en tema de dades/IA; c) entrevista personal amb l'estudiant [CRITERIO_ADMISION2] => [CRITERIO_ADMISION3] => [FORMACION_APRENDIZAJE] => 1. Definir els conceptes fonamentals de la intel·ligència artificial, incloent-hi xarxes neuronals, algorismes d'aprenentatge profund, processament de llenguatge natural, i visió computacional. 2. Descriure el funcionament i l'aplicació d'algorismes clau d'aprenentatge profund, en problemes de regressió, classificació, agrupament i de IA generativa. 3. Interpretar el rendiment de models d'intel·ligència artificial, utilitzant mètriques d'avaluació com a precisió, recall, F1-score, i corbes ROC per a comprendre l'efectivitat i el comportament dels models. 4. Relacionar conceptes teòrics d'aprenentatge profund amb aplicacions pràctiques, vinculant algorismes i enfocaments teòrics amb problemes del món real en àrees com a medicina, finances, i tecnologia. 5. Demostrar habilitats en el disseny, entrenament i avaluació de models d'intel·ligència artificial per a resoldre problemes pràctics, aplicant tècniques de preprocessament, selecció de característiques i ajust de hiperparámetros. [FORMACION_APRENDIZAJE2] => [FORMACION_APRENDIZAJE3] => [ANO_CURSO_DESC] => Curs 2024/2025 [programa] => Array ( [0] => Array ( [CODIGO_CURSO] => 24811230 [AÑO_CURSO] => 36 [CODIGO] => 2 [NOMBRE_MATERIA] => Ferramentes per a la IA [NOMBRE_MATERIA_VAL] => Ferramentes per a la IA [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Introducció al màster: Machine/Deep Learning/IA. Principals programes per a IA. R/Python/Tensorflow/Keras/Pytorch. Conceptes de algebra; probabilitat; estadística. Machine Learning. Revisió de conceptes. [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Introducció al màster: Machine/Deep Learning/IA. Principals programes per a IA. R/Python/Tensorflow/Keras/Pytorch. Conceptes de algebra; probabilitat; estadística. Machine Learning. Revisió de conceptes. [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 1 ) [1] => Array ( [CODIGO_CURSO] => 24811230 [AÑO_CURSO] => 36 [CODIGO] => 6 [NOMBRE_MATERIA] => Aprenentatge profund (I) [NOMBRE_MATERIA_VAL] => Aprenentatge profund (I) [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Xarxes neuronals multicapa estretes i profundes. Implementació de models neuronals profunds amb Keras/Tensorflow. Aplicacions en modelització i classificació: exemples. Autoencoders. Xarxes convolucionals. Arquitectures i Algorismes d'aprenentatge. Aprenentatge per transferència. Exemples d'aplicació. [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Xarxes neuronals multicapa estretes i profundes. Implementació de models neuronals profunds amb Keras/Tensorflow. Aplicacions en modelització i classificació: exemples. Autoencoders. Xarxes convolucionals. Arquitectures i Algorismes d'aprenentatge. Aprenentatge per transferència. Exemples d'aplicació. [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 2 ) [2] => Array ( [CODIGO_CURSO] => 24811230 [AÑO_CURSO] => 36 [CODIGO] => 9 [NOMBRE_MATERIA] => Aprenentatge profund (II) [NOMBRE_MATERIA_VAL] => Aprenentatge profund (II) [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Xarxes neuronals recurrents (RNN): LSTM (Long Short Term Memory), GRU (Gated Recurrent Unit), Bidirectional LSTM. Aplicacions en finances. Xarxes Generatives Adversariales (GAN). [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Xarxes neuronals recurrents (RNN): LSTM (Long Short Term Memory), GRU (Gated Recurrent Unit), Bidirectional LSTM. Aplicacions en finances. Xarxes Generatives Adversariales (GAN). [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 3 ) [3] => Array ( [CODIGO_CURSO] => 24811230 [AÑO_CURSO] => 36 [CODIGO] => 4 [NOMBRE_MATERIA] => Aprenentatge Reforçat [NOMBRE_MATERIA_VAL] => Aprenentatge Reforçat [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Introducció. Fonaments matemàtics: Equació de Bellman. Processos MDP. Aprenentatge per diferències temporals. SARSA. Q-Learning. DQN i variants. RL basat en polítiques. Models Actor-Crític. Versions profundes. Exemples d'aplicació. [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Introducció. Fonaments matemàtics: Equació de Bellman. Processos MDP. Aprenentatge per diferències temporals. SARSA. Q-Learning. DQN i variants. RL basat en polítiques. Models Actor-Crític. Versions profundes. Exemples d'aplicació. [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 4 ) [4] => Array ( [CODIGO_CURSO] => 24811230 [AÑO_CURSO] => 36 [CODIGO] => 5 [NOMBRE_MATERIA] => Processament del Llenguatge Natural [NOMBRE_MATERIA_VAL] => Processament del Llenguatge Natural [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Adquisició i preprocessament de text. Extracció de característiques BoW i TF-IDF. Topic Modeling. Extracció d'informació. Word embeddings. Transformers. Models generatius. Exemples d'aplicació. [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Adquisició i preprocessament de text. Extracció de característiques BoW i TF-IDF. Topic Modeling. Extracció d'informació. Word embeddings. Transformers. Models generatius. Exemples d'aplicació. [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 5 ) [5] => Array ( [CODIGO_CURSO] => 24811230 [AÑO_CURSO] => 36 [CODIGO] => 7 [NOMBRE_MATERIA] => IA en cloud [NOMBRE_MATERIA_VAL] => IA en cloud [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => APIs d'aprenentatge automàtic: Solucions AWS: productes de DL i ML. Solucions Google: AutoML, AI Hub. Microsoft Azure Machine Learning. [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => APIs d'aprenentatge automàtic: Solucions AWS: productes de DL i ML. Solucions Google: AutoML, AI Hub. Microsoft Azure Machine Learning. [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 6 ) [6] => Array ( [CODIGO_CURSO] => 24811230 [AÑO_CURSO] => 36 [CODIGO] => 3 [NOMBRE_MATERIA] => IA industrial [NOMBRE_MATERIA_VAL] => IA industrial [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Este mòdul s'avaluarà mitjançant un treball que els alumnes han de realitzar sobre una de les aplicacions descrites al llarg d'esta assignatura (a elecció de l'alumne). [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Este mòdul s'avaluarà mitjançant un treball que els alumnes han de realitzar sobre una de les aplicacions descrites al llarg d'esta assignatura (a elecció de l'alumne). [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 7 ) [7] => Array ( [CODIGO_CURSO] => 24811230 [AÑO_CURSO] => 36 [CODIGO] => 1 [NOMBRE_MATERIA] => Altres models de *IA [NOMBRE_MATERIA_VAL] => Altres models de *IA [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Xarxes neuronals basades en grafs. Models multimodals. Models de difusió. Explicabilidad en models d'aprenentatge profund [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Xarxes neuronals basades en grafs. Models multimodals. Models de difusió. Explicabilidad en models d'aprenentatge profund [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 8 ) [8] => Array ( [CODIGO_CURSO] => 24811230 [AÑO_CURSO] => 36 [CODIGO] => 8 [NOMBRE_MATERIA] => Treball final de Màster [NOMBRE_MATERIA_VAL] => Treball final de Màster [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Desenvolupament d'un treball posant en pràctica els coneixements adquirits [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Desenvolupament d'un treball posant en pràctica els coneixements adquirits [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 9 ) ) [professors] => Array ( [0] => Array ( [DNI] => uni79931 [NOMBRE_PERSONA] => Emma [APELLIDOS] => Amorós Belda [PDI] => 6 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => W3665 [EMAIL_FACULTAD] => abelem@uv.es [CARGO_EMPRESA] => Investigador/a no Doctor/a UV A1. Departamento de Ingeniería Electrónica. Universitat de València [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [1] => Array ( [DNI] => emp388952 [NOMBRE_PERSONA] => Diego [APELLIDOS] => Bonilla Salvador [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Senior Data Scientist-Cognizant [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [2] => Array ( [DNI] => emp368940 [NOMBRE_PERSONA] => Raúl Vicente [APELLIDOS] => Casaña Eslava [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Data Scientist / Santa Bárbara [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [3] => Array ( [DNI] => emp409235 [NOMBRE_PERSONA] => Juan José [APELLIDOS] => Garcés Iniesta [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => 0 [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [4] => Array ( [DNI] => uni56104 [NOMBRE_PERSONA] => Juan [APELLIDOS] => Gómez Sanchis [PDI] => 1 [DEPARTAMENTO_FACULTAD] => Departament d'Enginyeria Electrònica. Universitat de València [CARGO_FACULTAD] => Profesor/a Titular de Universidad [NPI] => M8537 [EMAIL_FACULTAD] => juango3@uv.es [CARGO_EMPRESA] => [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [5] => Array ( [DNI] => uni80011 [NOMBRE_PERSONA] => Pablo [APELLIDOS] => Hernández Cámara [PDI] => 6 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => U2082 [EMAIL_FACULTAD] => hercapa@uv.es [CARGO_EMPRESA] => Investigador/a en Formación Predoctorado FPU. Departamento de Ingeniería Electrónica. Universitat de València [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [6] => Array ( [DNI] => uni79035 [NOMBRE_PERSONA] => Valero [APELLIDOS] => Laparra Pérez-Muelas [PDI] => 1 [DEPARTAMENTO_FACULTAD] => Departament d'Enginyeria Electrònica. Universitat de València [CARGO_FACULTAD] => Contratado/a Doctor/a [NPI] => M7054 [EMAIL_FACULTAD] => lapeva@uv.es [CARGO_EMPRESA] => [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [7] => Array ( [DNI] => uni62689 [NOMBRE_PERSONA] => Francisco [APELLIDOS] => Martínez Gil [PDI] => 1 [DEPARTAMENTO_FACULTAD] => Departament d'Informàtica. Universitat de València [CARGO_FACULTAD] => Profesor/a Titular de Universidad [NPI] => H6216 [EMAIL_FACULTAD] => fmgil@uv.es [CARGO_EMPRESA] => [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [8] => Array ( [DNI] => uni80897 [NOMBRE_PERSONA] => Antonio [APELLIDOS] => Martínez González [PDI] => 6 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => W3535 [EMAIL_FACULTAD] => anmarg29@uv.es [CARGO_EMPRESA] => Investigador/a no Doctor/a UV A1. Departamento de Ingeniería Electrónica. Universitat de València [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [9] => Array ( [DNI] => emp246039 [NOMBRE_PERSONA] => Francisco [APELLIDOS] => Martinez Martinez [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Data Scientist/Santa Bárbara. Ingeniería Técnica de Telecomunicación, especialidad en Sistemas Electrónicos [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => Data Scientist / Santa Bárbara ) [10] => Array ( [DNI] => emp246038 [NOMBRE_PERSONA] => José María [APELLIDOS] => Martínez Martínez [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Data Scientist / Santa Bárbara [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [11] => Array ( [DNI] => uni79514 [NOMBRE_PERSONA] => Fernando [APELLIDOS] => Mateo Jimenez [PDI] => 1 [DEPARTAMENTO_FACULTAD] => Departament d'Enginyeria Electrònica. Universitat de València [CARGO_FACULTAD] => Contratado/a Doctor/a [NPI] => I6169 [EMAIL_FACULTAD] => fermaji@uv.es [CARGO_EMPRESA] => [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [12] => 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] => ) [13] => Array ( [DNI] => emp368937 [NOMBRE_PERSONA] => Rafael [APELLIDOS] => Plá Micó [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Presidente de Innovall Cluster [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [14] => 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] => ) [15] => 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] => ) [16] => Array ( [DNI] => emp450109 [NOMBRE_PERSONA] => Arturo [APELLIDOS] => Sirvent Fresneda [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Artificial Intelligence Engineer - Tyris.ai [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [17] => 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] => ) [18] => Array ( [DNI] => uni55893 [NOMBRE_PERSONA] => Joan [APELLIDOS] => Vila Francés [PDI] => 1 [DEPARTAMENTO_FACULTAD] => Departament d'Enginyeria Electrònica. Universitat de València [CARGO_FACULTAD] => Profesor/a Titular de Universidad [NPI] => H1797 [EMAIL_FACULTAD] => vifranjo@uv.es [CARGO_EMPRESA] => [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [19] => Array ( [DNI] => uni79943 [NOMBRE_PERSONA] => Jorge [APELLIDOS] => Vila Tomás [PDI] => 6 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => U2136 [EMAIL_FACULTAD] => jorvito2@uv.es [CARGO_EMPRESA] => Investigador/a en Formación Prometeo. Universitat de València [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] => ) ) [1] => Array ( [0] => Array ( [DNI] => emp368937 [NOMBRE_PERSONA] => Rafael [APELLIDOS] => Plá Micó [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Presidente de Innovall Cluster [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) ) ) )

Màster de Formació Permanent en Intel·ligència Artificial

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

Metodologia

Se seguirà una política de learning by doing on es plantejarà una xicoteta introducció als diferents models de Deep Learning/IA per a, posteriorment passar directament a la pràctica

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.

 
Descarregar fullet informatiu en pdf
FAQS
 
Imprimir la informaciò