1.ª Edición - Código 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] => Área de Ciencias y Tecnología [NOMBRE_CURSO] => Diploma de especialización en Deep Learning [TITULACION] => Diploma de Especialización [HORARIO] => Viernes de 16 a 21 y sábado de 9 a 14 [REQUISITOS_TITULACION] => Estudiantes que ya tengan conocimiento de las técnicas de aprendizaje profundo y las quieran ampliar. Necesario conocer Python/Tensorflow/Keras para comenzar el curso. [REQUISITOS_OTROS] => [ARG_VENTA] => Proporcionar una especialización a aquellos estudiantes que han cursado cursos de aprendizaje máquina/aprendizaje profundo [ARG_VENTA2] => [AÑO_CURSO_DESC] => [MODALIDAD_EVALUACION] => Clases síncronas con el profesor en las que profesor expondrá los contenidos. El alumno puede interactuar (preguntando directamente o bien en el chat de la reunión) con dicho profesor. Además se plantean sesiones de tutorías personalizadas para todos aquellos conceptos que no hayan quedado claros [MODALIDAD_EVALUACION2] => [OBSERVACION_MATRICULA_1] => [OBSERVACION_MATRICULA_2] => [OBSERVACION_MATRICULA_3] => [SALIDA_PROFESIONAL] => Los titulados del presente título tienen como principales salidas profesionales todas aquellas relacionadas con la aplicación de métodos avanzados de inteligencia artificial (empresas de consultoría tecnológicas avanzadas, fintech, start-ups basadas en IA, etc). [ANO_CURSO_DESC] => Curso 2022/2023 [programa] => Array ( [0] => Array ( [CODIGO_CURSO] => 22822080 [AÑO_CURSO] => 34 [CODIGO] => 1 [NOMBRE_MATERIA] => CNN avanzadas [NOMBRE_MATERIA_VAL] => [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Redes de cápsulas. Arquitecturas especializadas en segmentación y deteccion. Transformers en vision. Otras aproximaciones. Casos prácticos. [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] => Redes neuronales/Algoritmos especiales [NOMBRE_MATERIA_VAL] => [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Redes especializados en grafos: Aplicaciones. PINN (Physics Informed Neural Networks): Aplicaciones. Self supervised. Fair learning. Data-Centric Learning. One-shot learning. Tratamiento de la incertidumbre en redes. [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] => Deep Learning & Anomalías [NOMBRE_MATERIA_VAL] => [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Algoritmos clásicos. Algoritmos basados en Autoencoders. Algoritmos basados en modelos generativos (GANs, Normalizing Flows, Condicionales). Casos prácticos [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] => Modelos Tiny ML [NOMBRE_MATERIA_VAL] => [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Hardware especializado en deep learning. Pasos para la implementación hardware. Implementación de casos prácticos. [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] => DL justa: Interpretabilidad y eliminación de sesgos [NOMBRE_MATERIA_VAL] => [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Algoritmos de interpretabilidad para ML. Algoritmos y librerías para interpretar CNNs y RNNs en problemas con imágenes, texto y series temporales. Sesgo en modelos: técnicas para evitarlos [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] => Reinforcement Learning: Desarrollo de simuladores y modelos [NOMBRE_MATERIA_VAL] => [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Proceso completo en el desarrollo de un servicio basado en reinforcement learning (RL). Se enseñará como programar simuladores para el desarrollo de los modelos de RL así como los trucos a tener en cuenta. En el marco de los modelos se desarrollaran las principales técnicas aplicadas. Después de este bloque, los estudiantes serán capaces de diseñar y programar (de manera autónoma) un simulador para entrenar sus modelos y resolver tareas de aprendizaje concretas. Al mismo tiempo conocerán los principales modelos del RL y serán capaces de identificar la mejor situación para su uso. Se realizarán casos prácticos sobre problemas reales. [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] => Deep Learning en producción [NOMBRE_MATERIA_VAL] => [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Conceptos principales en MLOps. Diseño de entornos de trabajo utilizando docker y git para un desarrollo eficiente de los proyectos de deep learning. Después de este bloque, los estudiantes serán capaces de diseñar sus propias imágenes para trabajar en sus proyectos dentro de contenedores y llevar un control de versiones utilizando git. Entrenamiento en detalle de una NN. Monitorización del entrenamiento (i.e. wandb). Herramientas necesarias. Desarrollo de un proyecto desde cero. Desplazamiento de los modelos: técnicas para solucionarlo [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] => ) ) ) )

Datos generales

Curso académico: Curso 2022/2023

Tipo de curso: Diploma de Especialización

Número de créditos: 30.00 Créditos ECTS

Preinscripción al curso: Hasta el 15/09/2022

Fecha inicio: Septiembre 2022

Fecha fin: Junio 2023

Matrícula: 2000 € (importe precio público)

Requisitos de acceso: Estudiantes que ya tengan conocimiento de las técnicas de aprendizaje profundo y las quieran ampliar. Necesario conocer Python/Tensorflow/Keras para comenzar el curso.

Modalidad: On-line

Lugar de impartición:

Horario: Viernes de 16 a 21 y sábado de 9 a 14

Más información

Objetivos del curso

Proporcionar una especialización a aquellos estudiantes que han cursado cursos de aprendizaje máquina/aprendizaje profundo

Objetivos profesionales

Los titulados del presente título tienen como principales salidas profesionales todas aquellas relacionadas con la aplicación de métodos avanzados de inteligencia artificial (empresas de consultoría tecnológicas avanzadas, fintech, start-ups basadas en IA, etc).

Solicita información

He leído y acepto la información proporcionada sobre protección de datos y Política de Privacidad de ADEIT.

Consiento recibir información sobre los Títulos Propios de la Universitat de València.

Todos los campos son obligatorios

El formato de teléfono es incorrecto

El formato de correo electrónico es incorrecto

Mensaje recibido correctamente. Nos pondremos en contacto con usted lo antes posible

Error en el envío. Póngase en contacto con nosotros mediante correo electrónico

Debe aceptar la política de privacidad de ADEIT.

Por favor, verifica que no eres un robot.

Responsable: Universitat de València. Edifici del Rectorat. Av. Blasco Ibáñez, 13. 46010-València.
Delegado de Protección de Datos: D. Javier Plaza Penadés lopd@uv.es
Finalidad: Enviar información relevante de cursos de postgrado.
Se obtienen perfiles al objeto de personalizar el trato conforme a sus características o necesidades y poder así dirigirle las novedades más convenientes.
Legitimación: Para el envío de información acerca de los Títulos Propios de la Universidad de València la base de legitimación es el consentimiento del interesado.
Destinatarios: Fundació Universitat-Empresa de Valéncia y Universitat de València.
Plazo: Los datos del Usuario serán conservados hasta que solicite su baja, se oponga o revoque su consentimiento.
Derechos: Acceder, rectificar y suprimir los datos así como otros derechos como se explica en la información adicional.
Amplíe información: www.adeituv.es/politica-de-privacidad.


SÍ, ENVÍAMELO
FAQS
 
Imprimir información