Máster en Probabilistic Deep Learning

Aprende los conceptos matemáticos en profundidad tales como qué significan los productos matriciales y cómo utilizarlos para resolver problemas de regresión lineal con una o múltiples variables, métricas de evaluación del rendimiento del modelo de regresión y optimización de parámetros.

Aprende cómo diseñar las arquitectura de las redes neuronales, las funciones de activación y cómo mejorar el proceso de optimización (backpropagation).

Aprende a usar modelos de aprendizaje profundo para problemas de regresión no lineales, entrenamiento de modelos y técnicas de regularización / optimización, y la importancia de la evaluación e interpretación de modelos.

Aprende a utilizar modelos de aprendizaje profundo para el análisis y la predicción de series temporales. Incluyendo filtrado de datos, mejorar el pronóstico de los predictores, detección de anomalías, explorar estado del arte recurrentes y basados en máscara para series temporales.

Aprende a usar modelos de aprendizaje profundo para problemas de clasificación, tales como la clasificación binaria y multiclase, comprender cuáles funciones de pérdida de clasificación se ajustan más a las necesidades, ajuste de hiperparámetros y regularización para evaluar el rendimiento del modelo.

Aprende a incorporar métodos probabilísticos en modelos de aprendizaje profundo. Ir más allá del enfoque determinista mediante el uso de técnicas bayesianas, la estimación y calibración de incertidumbre, y aplicarlo a distintas problemáticas comerciales reales.