Herramientas Aplicadas Para Deep Learning

Analista de procesos, Gestor de Proyectos, Analista de negocios, Coordinador comercial, Analista de planificación, Analista de datos, Programador base de datos.

• Aplicar una convnet para diversos problemas de clasificación de imágenes
• Aplicar LSTM en series de tiempo univariadas y multivariadas para problemas predictivos
• Identificar los orígenes de las redes neuronales desde la biología para entender su funcionamiento
• Aplicar el enfoque de redes neuronales para el caso de datos secuenciales
• Aplicar redes neuronales a casos de clasificación binaria, multiclase, y regresión
• Ejecutar los mecanismos detrás de una red neuronal convolucional y de esta forma conocer sus parámetros
• Identificar la aparición de deep learning partiendo desde la inteligencia artificial y luego pasando por machine learning para tener una mirada global de cómo surge deep learning
• Aplicar manejo de pilas de capas recurrentes y regularización para mejorar el desempeño de una RNN

• El alumno deberá poseer conocimientos básicos en Software, Lenguaje básico de programación
• Contará con un módulo de inducción Tecnológica/metodológica al inicio del curso
• Debe tener conocimientos tecnológicos sobre el uso de internet y del correo electrónico, tener acceso a un computador con las características descritas a continuación, para acceder al sitio web y materiales del curso
• Los requerimientos de equipamiento del participante son: Cualquier computador con acceso a internet, habilitado con sistema operativo windows, osx 9 o superior, o linux
• El software mínimo necesario del computador debe ser un explorador de internet con javascript habilitado, microsoft office 5 o superior, acrobat reader, y flash player 8.0 o superior
• Las características recomendadas de equipamiento son: Un equipo con un procesador pentium iv o superior, con 512 mb de memoria ram, o con características similares
• Se recomienda que el sistema operativo windows sea como mínimo 7, o superior

Proceso de aprendizaje: mediante la interacción y estudio del material compuesto por 8 módulos. Cada módulo está compuesto por videos expositivos, lecturas obligatorias y complementarias, resumen, glosario, un control y una actividad de desarrollo. En la actividad de desarrollo, el participante deberá contestar una pregunta abierta utilizando el material dispuesto en el curso, el cual será revisado por el facilitador, quien proveerá una calificación y retroalimentación personalizada. La pregunta podrá usar una de cuatro técnicas metodológicas: Análisis de Caso, Resolución de Problemas, Análisis o Comparación de Conceptos, Realización de Ejercicios. Evaluaciones Online: Controles en línea de cada unidad, que deberán ser respondidos en forma obligatoria para avanzar en el curso. Apoyo o tutoría: los participantes cuentan con la posibilidad de hacer preguntas de contenido o administrativas directamente a los facilitadores, ya sea a través del botón ¿Ayuda¿ o contestando a los mensajes de

La evaluación es un proceso permanente y continuo que está orientado a favorecer un proceso de aprendizaje autónomo y el desarrollo de competencias laborales. Instrumentos de evaluación: 1 control en cada módulo, que busca de evaluar los contenidos estudiados, el cual cuenta con corrección automática y retroalimentación explicando la respuesta correcta. Cada módulo tiene además 1 actividad de desarrollo cuyo objetivo es que el alumno cree una respuesta de su propia autoría, aplicando los contenidos estudiados en el módulo. El facilitador corregirá las entregas de cada alumno con una pauta de evaluación previamente definida y entregará retroalimentación personalizada a cada alumno, entregándole seguimiento de su progreso. Norma de evaluación: cada evaluación se evaluará con escala de 1,0 a 7,0 siendo 4,0 la nota mínima de aprobación. Criterios de evaluación: se medirá si el alumno logra: Módulo 1: Identificar la aparición de deep learning partiendo desde la inteligencia artificial y lue