DEEP LEARNING
CERTIFICACIÓN AVANZADA
ÁREA: TIC
MODALIDAD: Virtual
ESTADO: Inscripción Abierta
Charla informativa: 09/01/2025
INICIO: 24/03/2026
FINALIZACIÓN: 17/11/2026
El campo de la Inteligencia Artificial es un campo en constante evolución. Muchas de las herramientas que se brindarán en el programa pertenecen al estado del arte y son producto de recientes avances en este campo. El ITBA como Universidad de vanguardia, hace algunos años que ya está brindando conocimiento de este tipo en sus carreras de grado.
Realizar una certificación en esta área permitirá mantenerse actualizados en una tecnología que forma parte muy activa del presente, y sin dudas jugará un papel predominante en el futuro.
Objetivos del programa:
- Establecer una comprensión clara de los algoritmos más importantes en el ámbito de Deep Learning.
- Aplicar el conocimiento visto en clase a problemas específicos de relevancia para la industria.
- Iniciar al alumno en una metodología de estudio alternativa y eficiente, a través de material online.
- Vincular al alumno con herramientas de desarrollo de gran utilización en Deep Learning.
Objetivos de formación:
Que los estudiantes puedan:
- Conocer y comprender los algoritmos más importantes en el ámbito de Deep Learning.
- Desarrollar capacidades para implementar soluciones de Deep Learning en la industria.
- Proponer soluciones innovadoras de Deep Learning utilizando diversos modelos.
Perfil del participante
Este programa está fuertemente recomendado para todo el público independientemente de su formación académica ya que también sirven como repaso de temas que podrían haberse visto en una formación de grado. No se requieren conocimientos previos.
Con el fin de que alumnos principiantes puedan arribar a una comprensión profunda de las herramientas de Deep Learning, se darán dos módulos de introducción: “Introducción a Python” y “Probabilidad, Estadística y Álgebra en Python”. En el caso de que el estudiante se sienta cómodo con el temario de uno o ambos módulos, se puede rendir un exámen de equivalencia ya sea para entrar directamente a “Probabilidad, Estadística y Álgebra en Python” o al módulo específico de “Deep Learning”.
Conocimientos mínimos para cursar el programa:
- Tener disponibilidad horaria semanal para trabajo asincrónico.
- Nivel básico de inglés: entender inglés técnico y poder seguir una clase dictada en inglés (subtitulada en inglés).
Metodología:
- Durante la certificación se realizarán encuentros sincrónicos de desarrollo de contenido y presentación de materiales. De forma asincrónica se compartirán materiales que los y las estudiantes deberán revisar y actividades que refuercen lo trabajado en los encuentros sincrónicos.
Conocé más sobre el programa en este video explicativo
PLAN DE ESTUDIOS
Todos collapsables cerrados
Este accordion está para que todos los ítems permanezcan cerrados
Módulo I: Introducción a Python
- Introducción a la programación. Tipos de lenguaje. Conceptos básicos de Python.
- Tipos de datos. Listas. Diccionarios. Control de flujo:condicionales, ciclos.
- Funciones.
- Librerías. Modularización.
Módulo II: Laboratorio de Probabilidad y Estadística en Python
- Anaconda. Introducción a pandas, matplotlib, python, jupyter y numpy. Jupyter notebooks. Ejemplos. Edición de scripts de python.
- GIT: Utilización de repositorios. Python: Listas, Diccionarios, Loops, Funciones, Condicionales, Glob aplicados a conceptos matemáticos.
- Uso avanzado de listas y diccionarios aplicados a conceptos matemáticos. Clases y objetos. Análisis de datos básico con numpy, matplotlib y pandas.
- Introducción al Álgebra Lineal. Escalares, vectores y matrices. Operaciones vectoriales y matriciales.
- Bases, matrices de cambios de base. Autovalores y autovectores. Factorización de Matrices.
- Vectores y Matrices en Python. Paquete Numpy.
- Probabilidad: Espacio muestral, frecuencia, frecuencia relativa, propiedades. Eventos mutuamente excluyentes, probabilidad marginal, eventos independientes, probabilidad condicional. Distribuciones de probabilidad.
- Distribuciones de probabilidad. Media, Varianza, Desvío Estándar. Entropía.
- Teorema de Bayes Discreto.
- Teorema de Bayes Continuo.
- Aplicaciones de probabilidad en Python: Naive Bayes. Detección de SPAM.
Módulo III: Deep Learning
- Regresión Lineal: Modelo, Función de costo y optimizador.
- Regresión Logística: Modelo, Función de costo y optimizador. Clasificación multiclase.
- Introducción a Keras/Pytorch.
- Redes Neuronales.Perceptrón multicapa.
- Aplicaciones: MNIST, Fashion-MNIST
- Ajuste de parámetros: Backpropagation.
- Optimizadores: SGD, Momentos, RMSProp, Adam, Nadam. Cyclical Learning Rate. One Cycle Learning.
- Perceptrón multicapa aplicado a NLP
- Técnicas de regularización I
- Técnicas de regularización II
- Métodos de búsqueda de hiperparámetros
- Entity Embeddings. Predicción de ventas en el problema de Rossmann.
- Debugueo de modelos. Tensorboard. Callbacks de entrenamiento.
- Introducción a Redes Convolucionales: Capas convolucionales, técnicas de regularización de Redes Convolucionales.
- Arquitecturas de redes convolucionales para clasificación/regresión: AlexNet, VGG, ResNET, Inception, EfficienNet, etc.
- Transfer Learning en redes convolucionales. Redes convolucionales en NLP.
- Redes Recurrentes: SimpleRNN, GRU, LSTM
- Algunos problemas de NLP utilizando Redes Recurrentes
CUERPO DOCENTE
Todos collapsables cerrados
Este accordion está para que todos los ítems permanezcan cerrados
Julián Ganzabal
Ingeniero Electrónico (ITBA) desarrollando tareas en el área de machine learning en la industria tales como sistemas de recomendación, ‘computer vision’ y ‘topic modeling’. Más de 10 años de experiencia docente en el ITBA y la UBA en materias relacionadas con procesos estocásticos, telecomunicaciones y networking.
Carlos Selmo
Ingeniero Electrónico (ITBA) desarrollando tareas en el área de procesamiento de señales y machine learning en el Grupo de Electrónica Digital Aplicada (GEDA). Profesor adjunto de materias en el área de procesamiento de señales, bio-electrónica y sistemas digitales. Entre ellas Redes Neuronales y Redes Neuronales en Bioingeniería.
Andrés Muñoz
MODALIDAD
Modalidad: Virtual
Charla informativa : 9 de enero
Mail de bienvenida: martes 24 de marzo
Primera clase sincrónica: martes 31 de marzo
Duración: 190hs
Clases sincrónicas: martes de 18.00 a 21.00 hs.
Fin de cursada: 17 de noviembre
Titulación: Certificación Avanzada en Deep Learning
