Grado Superior Machine Learning a Distancia

En Cesur siempre estamos en constante evolución para ofrecer un temario a nuestros alumnos acorde al mercado laboral. Durante tu FP en Machine Learning contarás con una metodología adaptada, pensando siempre en el perfil profesional.  En este FP cursarás toda la formación base del Técnico Superior en Desarrollo de Aplicaciones Multiplataforma más las asignaturas especializadas y adaptadas, con las que podrás especializarte en una de las ramas. Si quieres conocer más, te invitamos a descargar nuestra guía informativa.

Unidad 1

• Introducción al aprendizaje automático
• Definición e historia
• Datos de disponibilidad pública y competiciones de clasificación en la plataforma Kaggle
• Conjunto de datos MNIST (ejemplos de escritura manuscrita)
• Aplicación del aprendizaje automático a sistemas de recomendación, modelos estadísticos y de regresión
• Tipos de aprendizaje
• Relación con el Big Data
• Ejemplo de red neuronal - Elaboración de una red neuronal feed-forward en TensorFlow para la identificación de cifras manuscritas (datos MNIST)
  • Fase de entrenamiento de la red
  • Fase de prueba
  • Comprobación de los resultados
• Proyecto final I
  • Análisis de las necesidades del cliente

Unidad 2

• Introducción al Python
  • Librería de Python para Machine Learning.
  • Machine Learning. Introducción.
• Aprendizaje supervisado
  • Definición y aplicaciones.2.2 Medidas de rendimiento.
  • Modelos lineales
  • Modelos supervisados de ML: árboles, SVM, redes neuronales.
  • Combinación de modelos. Random Forest.
• Aprendizaje no supervisado
  • Definición y aplicaciones.
  • Medidas de rendimiento.
  • Clustering. Tipos
  • Biclustering
  • Manifolds. Reducción de la dimensionalidad
  • Análisis de la cesta.

Unidad 3

• Redes Neuronales
  • Definición, origen e historia (el perceptrón de Rosenblatt, el perceptrón multicapa, el Deep Learning)
  • Las neuronas y sus funciones
  • El concepto fundamental de retropropagación
  • Fase de entrenamiento y fase de prueba
  • Validación
  • Aplicaciones: clasificación, reconocimiento de pautas y de imágenes
  • Tipos de redes: feed-forward, recurrentes, convolucionales
• Conceptos avanzados
  • Redes adversariales generativas o GAN
  • Redes neuronales con memoria (máquinas de Turing neuronales)
• Proyecto final II
  • Juego de pruebas
  • Implementación del proyecto
  • Documentación del proyecto
  • Presentación del proyecto

*Las asignaturas presentes en el plan de estudios pueden variar según la comunidad autónoma.