Gracias a este Máster 100 % online, dominarás las técnicas más avanzadas del Deep Learning para desarrollar soluciones precisas en entornos digitales” 

Actualmente, las soluciones inteligentes impulsadas por modelos computacionales avanzados se han convertido en herramientas clave para resolver problemas complejos en diversos sectores. En este contexto, el Deep Learning destaca por su capacidad para interpretar grandes volúmenes de datos, optimizar procesos y predecir comportamientos con un alto nivel de precisión. Gracias a su estructura jerárquica, ha revolucionado desde la medicina hasta la industria financiera, permitiendo avances como el reconocimiento automático de imágenes, la traducción automática y el procesamiento del lenguaje natural. 

Conscientes de esta transformación tecnológica, TECH Universidad ha diseñado un plan de estudios que profundizará en los pilares fundamentales del aprendizaje profundo. A través de un recorrido riguroso, se abordarán temáticas esenciales como las redes neuronales profundas, el entrenamiento con TensorFlow y los fundamentos matemáticos que sustentan estas arquitecturas. Además, se combinará la teoría con escenarios prácticos que permiten una comprensión integral del funcionamiento y potencial de estos modelos. 

Posteriormente, este programa universitario proporcionará a los profesionales conocimientos especializados para desempeñarse en entornos altamente competitivos. Gracias a los contenidos impartidos, le será posible al alumnado interpretar modelos complejos, optimizar el diseño de algoritmos y tomar decisiones estratégicas a partir de datos. Así, se impulsará un perfil capaz de liderar proyectos de inteligencia artificial, integrando soluciones basadas en Deep Learning que respondan a los desafíos actuales de la transformación digital.

Finalmente, esta oportunidad académica se desarrolla bajo una cómoda modalidad online, diseñada para adaptarse a las dinámicas y exigencias del mundo contemporáneo. El acceso ilimitado, disponible las 24 horas del día, los 7 días de la semana y desde cualquier dispositivo con conexión a internet, garantizará flexibilidad total. A ello se suma el disruptivo método Relearning de TECH, que optimizará la retención de conocimiento a través de la repetición estratégica de conceptos clave, favoreciendo una comprensión duradera y significativa en cada etapa del itinerario académico.

Dispondrás de un conocimiento integra sobre las técnicas de regularización, optimización y evaluación de modelos más avanzadas en distintos contextos” 

Este Máster en Deep Learning contiene el programa universitario más completo y actualizado del mercado. Sus características más destacadas son: 

• El desarrollo de casos prácticos presentados por expertos en Deep Learning 

• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que están concebidos recogen una información científica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional 

• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje 

• Su especial hincapié en metodologías innovadoras en la transformación digital 

• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual 

• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet 

Profundizarás en la implementación de modelos de aprendizaje profundo desde cero y utilizando librerías especializadas” 

Incluye en su cuadro docente a profesionales pertenecientes al ámbito delDeep Learning, que vierten en este programa la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio. 

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará un estudio inmersivo programado para entrenarse ante situaciones reales. 

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el alumno deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso académico. Para ello, el profesional contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos.

Analizarás con precisión los fundamentos matemáticos del Deep Learning y su influencia en el rendimiento de los modelos” 

Con el sistema Relearning de TECH no tendrás que invertir una gran cantidad de horas al estudio y te focalizarás en los conceptos más relevantes” 

A lo largo de este itinerario académico, se abordarán temáticas esenciales para el desarrollo profesional en el ámbito del Deep Learning. Por lo tanto, entre los contenidos más relevantes se incluye el diseño de algoritmos de aprendizaje por refuerzo, fundamentales para optimizar procesos en sistemas autónomos y entornos complejos de toma de decisiones. Del mismo modo, se explorarán técnicas de procesamiento del lenguaje natural mediante redes neuronales recurrentes, indispensables para el desarrollo de asistentes virtuales y motores de recomendación. Gracias a recursos interactivos, este programa universitario promoverá una comprensión profunda orientada a contextos reales de alto nivel tecnológico.

Serás capaz de integrar recursos innovadores para un conocimiento actualizado sobre el diseño de algoritmos de aprendizaje por refuerzo” 

Módulo 1. Fundamentos matemáticos de Deep Learning

1.1. Funciones y derivadas

1.1.1. Funciones lineales
1.1.2. Derivadas parciales
1.1.3. Derivadas de orden superior

1.2. Funciones anidadas

1.2.1. Funciones compuestas
1.2.2. Funciones inversas
1.2.3. Funciones recursivas

1.3. La regla de la cadena

1.3.1. Derivadas de funciones anidadas
1.3.2. Derivadas de funciones compuestas
1.3.3. Derivadas de funciones inversas

1.4. Funciones con múltiples entradas

1.4.1. Funciones de varias variables
1.4.2. Funciones vectoriales
1.4.3. Funciones matriciales

1.5. Derivadas de funciones con entradas múltiples

1.5.1. Derivadas parciales
1.5.2. Derivadas direccionales
1.5.3. Derivadas mixtas

1.6. Funciones con múltiples entradas vectoriales

1.6.1. Funciones vectoriales lineales
1.6.2. Funciones vectoriales no lineales
1.6.3. Funciones vectoriales de matriz

1.7. Creación de nuevas funciones a partir de funciones existentes

1.7.1. Suma de funciones
1.7.2. Producto de funciones
1.7.3. Composición de funciones

1.8. Derivadas de funciones con múltiples entradas vectoriales

1.8.1. Derivadas de funciones lineales
1.8.2. Derivadas de funciones no lineales
1.8.3. Derivadas de funciones compuestas

1.9. Funciones vectoriales y sus derivadas: un paso más allá

1.9.1. Derivadas direccionales
1.9.2. Derivadas mixtas
1.9.3. Derivadas matriciales

1.10. El Backward Pass

1.10.1. Propagación de errores
1.10.2. Aplicación de reglas de actualización
1.10.3. Optimización de parámetros

Módulo 2. Principios de Deep Learning

2.1. El aprendizaje supervisado

2.1.1. Máquinas de aprendizaje supervisado
2.1.2. Usos del aprendizaje supervisado
2.1.3. Diferencias entre aprendizaje supervisado y no supervisado

2.2. Modelos de aprendizaje supervisado

2.2.1. Modelos lineales
2.2.2. Modelos de árboles de decisión
2.2.3. Modelos de redes neuronales

2.3. Regresión lineal

2.3.1. Regresión lineal simple
2.3.2. Regresión lineal múltiple
2.3.3. Análisis de regresión

2.4. Entrenamiento del modelo

2.4.1. Batch Learning
2.4.2. Online Learning
2.4.3. Métodos de Optimización

2.5. Evaluación del modelo: conjunto de entrenamiento versus conjunto de prueba

2.5.1. Métricas de evaluación
2.5.2. Validación cruzada
2.5.3. Comparación de los conjuntos de datos

2.6. Evaluación del modelo: el código

2.6.1. Generación de predicciones
2.6.2. Análisis de errores
2.6.3. Métricas de evaluación

2.7. Análisis de las variables

2.7.1. Identificación de variables relevantes
2.7.2. Análisis de correlación
2.7.3. Análisis de regresión

2.8. Explicabilidad de los modelos de redes neuronales

2.8.1. Modelos interpretables
2.8.2. Métodos de visualización
2.8.3. Métodos de evaluación

2.9. Optimización

2.9.1. Métodos de optimización
2.9.2. Técnicas de regularización
2.9.3. El uso de gráficos

2.10. Hiperparámetros

2.10.1. Selección de hiperparámetros
2.10.2. Búsqueda de parámetros
2.10.3. Ajuste de hiperparámetros

Módulo 3. Las redes neuronales, base de Deep Learning

3.1. Aprendizaje profundo

3.1.1. Tipos de aprendizaje profundo
3.1.2. Aplicaciones del aprendizaje profundo
3.1.3. Ventajas y desventajas del aprendizaje profundo

3.2. Operaciones

3.2.1. Suma
3.2.2. Producto
3.2.3. Traslado

3.3. Capas

3.3.1. Capa de entrada
3.3.2. Capa oculta
3.3.3. Capa de salida

3.4. Unión de capas y operaciones

3.4.1. Diseño de arquitecturas
3.4.2. Conexión entre capas
3.4.3. Propagación hacia adelante

3.5. Construcción de la primera red neuronal

3.5.1. Diseño de la red
3.5.2. Establecer los pesos
3.5.3. Entrenamiento de la red

3.6. Entrenador y optimizador

3.6.1. Selección del optimizador
3.6.2. Establecimiento de una función de pérdida
3.6.3. Establecimiento de una métrica

3.7. Aplicación de los principios de las redes neuronales

3.7.1. Funciones de activación
3.7.2. Propagación hacia atrás
3.7.3. Ajuste de los parámetros

3.8. De las neuronas biológicas a las artificiales

3.8.1. Funcionamiento de una neurona biológica
3.8.2. Transferencia de conocimiento a las neuronas artificiales
3.8.3. Establecer relaciones entre ambas

3.9. Implementación de MLP (Perceptrón multicapa) con Keras

3.9.1. Definición de la estructura de la red
3.9.2. Compilación del modelo
3.9.3. Entrenamiento del modelo

3.10. Hiperparámetros de Fine tuning de redes neuronales

3.10.1. Selección de la función de activación
3.10.2. Establecer el learning rate
3.10.3. Ajuste de los pesos

Módulo 4. Entrenamiento de redes neuronales profundas

4.1. Problemas de gradientes

4.1.1. Técnicas de optimización de gradiente
4.1.2. Gradientes estocásticos
4.1.3. Técnicas de inicialización de pesos

4.2. Reutilización de capas preentrenadas

4.2.1. Entrenamiento de transferencia de aprendizaje
4.2.2. Extracción de características
4.2.3. Aprendizaje profundo

4.3. Optimizadores

4.3.1. Optimizadores de descenso de gradiente estocástico
4.3.2. Optimizadores Adam y RMSprop
4.3.3. Optimizadores de momento

4.4. Programación de la tasa de aprendizaje

4.4.1. Control de tasa de aprendizaje automático
4.4.2. Ciclos de aprendizaje
4.4.3. Términos de suavizado

4.5. Sobreajuste

4.5.1. Validación cruzada
4.5.2. Regularización
4.5.3. Métricas de evaluación

4.6. Directrices prácticas

4.6.1. Diseño de modelos
4.6.2. Selección de métricas y parámetros de evaluación
4.6.3. Pruebas de hipótesis

4.7. Transfer learning

4.7.1. Entrenamiento de transferencia de aprendizaje
4.7.2. Extracción de características
4.7.3. Aprendizaje profundo

4.8. Data Augmentation

4.8.1. Transformaciones de imagen
4.8.2. Generación de datos sintéticos
4.8.3. Transformación de texto

4.9. Aplicación Práctica de Transfer Learning

4.9.1. Entrenamiento de transferencia de aprendizaje
4.9.2. Extracción de características
4.9.3. Aprendizaje profundo

4.10. Regularización

4.10.1. L1 y L2
4.10.2. Regularización por máxima entropía
4.10.3. Dropout

Módulo 5. Personalización de modelos y entrenamiento con TensorFlow

5.1. TensorFlow

5.1.1. Uso de la biblioteca TensorFlow
5.1.2. Entrenamiento de modelos con TensorFlow
5.1.3. Operaciones con gráficos en TensorFlow

5.2. TensorFlow y NumPy

5.2.1. Entorno computacional NumPy para TensorFlow
5.2.2. Utilización de los arrays NumPy con TensorFlow
5.2.3. Operaciones NumPy para los gráficos de TensorFlow

5.3. Personalización de modelos y algoritmos de entrenamiento

5.3.1. Construcción de modelos personalizados con TensorFlow
5.3.2. Gestión de parámetros de entrenamiento
5.3.3. Utilización de técnicas de optimización para el entrenamiento

5.4. Funciones y gráficos de TensorFlow

5.4.1. Funciones con TensorFlow
5.4.2. Utilización de gráficos para el entrenamiento de modelos
5.4.3. Optimización de gráficos con operaciones de TensorFlow

5.5. Carga y preprocesamiento de datos con TensorFlow

5.5.1. Carga de conjuntos de datos con TensorFlow
5.5.2. Preprocesamiento de datos con TensorFlow
5.5.3. Utilización de herramientas de TensorFlow para la manipulación de datos

5.6. La API tf.data

5.6.1. Utilización de la API tf.data para el procesamiento de datos
5.6.2. Construcción de flujos de datos con tf.data
5.6.3. Uso de la API tf.data para el entrenamiento de modelos

5.7. El formato TFRecord

5.7.1. Utilización de la API TFRecord para la serialización de datos
5.7.2. Carga de archivos TFRecord con TensorFlow
5.7.3. Utilización de archivos TFRecord para el entrenamiento de modelos

5.8. Capas de preprocesamiento de Keras

5.8.1. Utilización de la API de preprocesamiento de Keras
5.8.2. Construcción de pipelined de preprocesamiento con Keras
5.8.3. Uso de la API de preprocesamiento de Keras para el entrenamiento de modelos

5.9. El proyecto TensorFlow Datasets

5.9.1. Utilización de TensorFlow Datasets para la carga de datos
5.9.2. Preprocesamiento de datos con TensorFlow Datasets
5.9.3. Uso de TensorFlow Datasets para el entrenamiento de modelos

5.10. Construcción de una Aplicación de Deep Learning con TensorFlow. Aplicación Práctica

5.10.1. Construcción de una aplicación de Deep Learning con TensorFlow
5.10.2. Entrenamiento de un modelo con TensorFlow
5.10.3. Utilización de la aplicación para la predicción de resultados

Módulo 6. Deep Computer Vision con redes neuronales convolucionales

6.1. La arquitectura visual cortex

6.1.1. Funciones de la corteza visual
6.1.2. Teorías de la visión computacional
6.1.3. Modelos de procesamiento de imágenes

6.2. Capas convolucionales

6.2.1. Reutilización de pesos en la convolución
6.2.2. Convolución 2D
6.2.3. Funciones de activación

6.3. Capas de agrupación e implementación de capas de agrupación con Keras

6.3.1. Pooling y Striding
6.3.2. Flattening
6.3.3. Tipos de Pooling

6.4. Arquitecturas CNN

6.4.1. Arquitectura VGG
6.4.2. Arquitectura AlexNet
6.4.3. Arquitectura ResNet

6.5. Implementación de una CNN ResNet - 34 usando Keras

6.5.1. Inicialización de pesos
6.5.2. Definición de la capa de entrada
6.5.3. Definición de la salida

6.6. Uso de modelos preentrenados de Keras

6.6.1. Características de los modelos preentrenados
6.6.2. Usos de los modelos preentrenados
6.6.3. Ventajas de los modelos preentrenados

6.7. Modelos preentrenados para el aprendizaje por transferencia

6.7.1. El Aprendizaje por transferencia
6.7.2. Proceso de aprendizaje por transferencia
6.7.3. Ventajas del aprendizaje por transferencia

6.8. Clasificación y Localización en Deep Computer Vision

6.8.1. Clasificación de imágenes
6.8.2. Localización de objetos en imágenes
6.8.3. Detección de objetos

6.9. Detección de objetos y seguimiento de objetos

6.9.1. Métodos de detección de objetos
6.9.2. Algoritmos de seguimiento de objetos
6.9.3. Técnicas de rastreo y localización

6.10. Segmentación semántica

6.10.1. Aprendizaje profundo para segmentación semántica
6.10.2. Detección de bordes
6.10.3. Métodos de segmentación basados en reglas

Módulo 7. Secuencias de procesamiento utilizando RNN (redes neuronales recurrentes) y CNN (redes neuronales convolucionales)

7.1. Neuronas y capas recurrentes

7.1.1. Tipos de neuronas recurrentes
7.1.2. Arquitectura de una capa recurrente
7.1.3. Aplicaciones de las capas recurrentes

7.2. Entrenamiento de redes neuronales recurrentes (RNN)

7.2.1. Backpropagation a través del tiempo (BPTT)
7.2.2. Gradiente descendente estocástico
7.2.3. Regularización en entrenamiento de RNN

7.3. Evaluación de modelos RNN

7.3.1. Métricas de evaluación
7.3.2. Validación cruzada
7.3.3. Ajuste de hiperparámetros

7.4. RNN prentrenados

7.4.1. Redes prentrenadas
7.4.2. Trasferencia de aprendizaje
7.4.3. Ajuste fino

7.5. Pronóstico de una serie de tiempo

7.5.1. Modelos estadísticos para pronósticos
7.5.2. Modelos de series temporales
7.5.3. Modelos basados en redes neuronales

7.6. Interpretación de los resultados del análisis de series temporales

7.6.1. Análisis de componentes principales
7.6.2. Análisis de cluster
7.6.3. Análisis de correlaciones

7.7. Manejo de secuencias largas

7.7.1. Long Short - Term Memory (LSTM)
7.7.2. Gated Recurrent Units (GRU)
7.7.3. Convolucionales 1D

7.8. Aprendizaje de secuencia parcial

7.8.1. Métodos de aprendizaje profundo
7.8.2. Modelos generativos
7.8.3. Aprendizaje de refuerzo

7.9. Aplicación Práctica de RNN y CNN

7.9.1. Procesamiento de lenguaje natural
7.9.2. Reconocimiento de patrones
7.9.3. Visión por computador

7.10. Diferencias en los resultados clásicos

7.10.1. Métodos clásicos vs. RNN
7.10.2. Métodos clásicos vs. CNN
7.10.3. Diferencia en tiempo de entrenamiento

Módulo 8. Procesamiento del lenguaje natural (NLP) con redes naturales recurrentes (RNN) y atención

8.1. Generación de texto utilizando RNN

8.1.1. Entrenamiento de una RNN para generación de texto
8.1.2. Generación de lenguaje natural con RNN
8.1.3. Aplicaciones de generación de texto con RNN

8.2. Creación del conjunto de datos de entrenamiento

8.2.1. Preparación de los datos para el entrenamiento de una RNN
8.2.2. Almacenamiento del conjunto de datos de entrenamiento
8.2.3. Limpieza y transformación de los datos

8.3. Análisis de sentimiento

8.3.1. Clasificación de opiniones con RNN
8.3.2. Detección de temas en los comentarios
8.3.3. Análisis de sentimiento con algoritmos de aprendizaje profundo

8.4. Red de codificador - decodificador para la traducción automática neuronal

8.4.1. Entrenamiento de una RNN para la traducción automática
8.4.2. Uso de una red encoder - decoder para la traducción automática
8.4.3. Mejora de la precisión de la traducción automática con RNN

8.5. Mecanismos de atención

8.5.1. Aplicación de mecanismos de atención en RNN
8.5.2. Uso de mecanismos de atención para mejorar la precisión de los modelos
8.5.3. Ventajas de los mecanismos de atención en las redes neuronales

8.6. Modelos Transformers

8.6.1. Uso de los modelos Transformers para procesamiento de lenguaje natural
8.6.2. Aplicación de los modelos Transformers para visión
8.6.3. Ventajas de los modelos Transformers

8.7. Transformers para visión

8.7.1. Uso de los modelos Transformers para visión
8.7.2. Preprocesamiento de los datos de imagen
8.7.3. Entrenamiento de un modelo Transformer para visión

8.8. Librería de Transformers de Hugging Face

8.8.1. Uso de la librería de Transformers de Hugging Face
8.8.2. Aplicación de la librería de Transformers de Hugging Face
8.8.3. Ventajas de la librería de Transformers de Hugging Face

8.9. Otras Librerías de Transformers. Comparativa

8.9.1. Comparación entre las distintas librerías de Transformers
8.9.2. Uso de las demás librerías de Transformers
8.9.3. Ventajas de las demás librerías de Transformers

8.10. Desarrollo de una aplicación de NLP con RNN y Atención. Aplicación Práctica

8.10.1. Desarrollo de una aplicación de procesamiento de lenguaje natural con RNN y atención
8.10.2. Uso de RNN, mecanismos de atención y modelos Transformers en la aplicación
8.10.3. Evaluación de la aplicación práctica

Módulo 9. Autoencoders, GANs, y modelos de difusión

9.1. Representaciones de datos eficientes

9.1.1. Reducción de dimensionalidad
9.1.2. Aprendizaje profundo
9.1.3. Representaciones compactas

9.2. Realización de PCA con un codificador automático lineal incompleto

9.2.1. Proceso de entrenamiento
9.2.2. Implementación en Python
9.2.3. Utilización de datos de prueba

9.3. Codificadores automáticos apilados

9.3.1. Redes neuronales profundas
9.3.2. Construcción de arquitecturas de codificación
9.3.3. Uso de la regularización

9.4. Autocodificadores convolucionales

9.4.1. Diseño de modelos convolucionales
9.4.2. Entrenamiento de modelos convolucionales
9.4.3. Evaluación de los resultados

9.5. Eliminación de ruido de codificadores automáticos

9.5.1. Aplicación de filtros
9.5.2. Diseño de modelos de codificación
9.5.3. Uso de técnicas de regularización

9.6. Codificadores automáticos dispersos

9.6.1. Incrementar la eficiencia de la codificación
9.6.2. Minimizando el número de parámetros
9.6.3. Utilización de técnicas de regularización

9.7. Codificadores automáticos variacionales

9.7.1. Utilización de optimización variacional
9.7.2. Aprendizaje profundo no supervisado
9.7.3. Representaciones latentes profundas

9.8. Generación de imágenes MNIST de moda

9.8.1. Reconocimiento de patrones
9.8.2. Generación de imágenes
9.8.3. Entrenamiento de redes neuronales profundas

9.9. Redes adversarias generativas y modelos de difusión

9.9.1. Generación de contenido a partir de imágenes
9.9.2. Modelado de distribuciones de datos
9.9.3. Uso de redes adversarias

9.10. Implementación de los Modelos. Aplicación práctica

9.10.1. Implementación de los modelos
9.10.2. Uso de datos reales
9.10.3. Evaluación de los resultados

Módulo 10. Reinforcement Learning

10.1. Optimización de las recompensas y la búsqueda de políticas

10.1.1. Algoritmos de optimización de recompensas
10.1.2. Procesos de búsqueda de políticas
10.1.3. Aprendizaje por refuerzo para optimizar las recompensas

10.2. OpenAI

10.2.1. Entorno OpenAI Gym
10.2.2. Creación de entornos OpenAI
10.2.3. Algoritmos de aprendizaje por refuerzo en OpenAI

10.3. Políticas de redes neuronales

10.3.1. Redes neuronales convolucionales para la búsqueda de políticas
10.3.2. Políticas de aprendizaje profundo
10.3.3. Ampliación de políticas de redes neuronales

10.4. Evaluación de acciones: el problema de la asignación de créditos

10.4.1. Análisis de riesgo para la asignación de créditos
10.4.2. Estimación de la rentabilidad de los préstamos
10.4.3. Modelos de evaluación de créditos basados en redes neuronales

10.5. Gradientes de política

10.5.1. Aprendizaje por refuerzo con gradientes de política
10.5.2. Optimización de gradientes de política
10.5.3. Algoritmos de gradientes de política

10.6. Procesos de decisión de Markov

10.6.1. Optimización de procesos de decisión de Markov
10.6.2. Aprendizaje por refuerzo para procesos de decisión de Markov
10.6.3. Modelos de procesos de decisión de Markov

10.7. Aprendizaje de diferencias temporales y Q - Learning

10.7.1. Aplicación de diferencias temporales en el aprendizaje
10.7.2. Aplicación de Q - Learning en el aprendizaje
10.7.3. Optimización de parámetros de Q - Learning

10.8. Implementación de Deep Q - Learning y variantes de Deep Q - Learning

10.8.1. Construcción de redes neuronales profundas para Deep Q - Learning
10.8.2. Implementación de Deep Q - Learning
10.8.3. Variaciones de Deep Q - Learning

10.9. Algoritmos de Reinforment Learning

10.9.1. Algoritmos de aprendizaje por refuerzo
10.9.2. Algoritmos de aprendizaje por recompensa
10.9.3. Algoritmos de aprendizaje por castigo

10.10. Diseño de un entorno de aprendizaje por refuerzo. Aplicación práctica

10.10.1. Diseño de un entorno de aprendizaje por refuerzo
10.10.2. Implementación de un algoritmo de aprendizaje por refuerzo
10.10.3. Evaluación de un algoritmo de aprendizaje por refuerzo

Obtendrás competencias avanzadas para integrar modelos de Deep Learning en múltiples entornos productivos y en sistemas en tiempo real”