Curso

Aprendizaje Profundo / Deep Learning

Este curso contempla el conjunto de modelos responsables por los impresionantes resultados actuales en campos como generación de texto, imágenes, video artificial, entre otras, y de reconocimiento de imágenes. Las ventajas del Deep Learning son aplicables a cualquier sistema basado en datos, por lo que la mayoría de los sectores económicos ya cuentan con procesos de IA para mejorar sus servicios y desempeño. El Deep Learning también es responsable de varios procesos tecnológicos relacionales a nivel de usuario. Aprenderás sobre redes neuronales con múltiples capas para aprender de grandes cantidades de datos, permitiendo avances en reconocimiento de imágenes, voz y texto.

Ver temario del curso Empezar curso

Flex

7 semanas

Avanzado

Acceso Exclusivo

Certificación de curso válida para tu CV

Contenido práctico desde el día uno

Clases en vivo personalizadas

App propia con todo tu aprendizaje organizado en un solo lugar

Clases asincrónicas siempre disponibles en nuestra app

Talleres mensuales con certificación para mantenerte actualizado

Comunidad activa de estudiantes y expertos

Temario

En esta clase, estudiarán los fundamentos del Deep Learning y su distinción con el aprendizaje automático tradicional. Aprenderán a utilizar Pytorch para manejar tensores, dataloaders y autograd.

Aprenderán sobre las redes neuronales de una capa. Estudiarán cómo implementar la regresión lineal y la clasificación utilizando la función Softmax en este tipo de redes.

En esta clase, explorarán las redes neuronales de multicapa. Aprenderán sobre la construcción, el entrenamiento y los mecanismos de backpropagation y autograd esenciales para el aprendizaje en redes profundas.

Explorarán los fundamentos de la personalización de modelos MLP con Pytorch. Estudiarán cómo crear arquitecturas de redes neuronales personalizadas y cómo acelerar el entrenamiento utilizando GPU con CUDA.

En esta clase, se centrarán en la evaluación del rendimiento del modelo. Aprenderán sobre el error de generalización, el sobreajuste, el sesgo y la varianza, y cómo implementar la validación cruzada de K-Fold y estrategias de regularización como L2 y Dropout.

Profundizarán en los algoritmos de optimización acelerados para mejorar la eficiencia y la convergencia del entrenamiento de redes neuronales.

Examen - Deep Learning

Modalidad

Clases asincrónicasPara que avances a tu propio ritmo
Clases en vivo a demandaPara resolver consultas con horarios flexibles según tu disponibilidad horaria
Ejercicios, lecturas y autoevaluacionesEn cada clase
Campus virtualComo plataforma para tu aprendizaje.
Foro en DiscordAbierto 24/7
CertificaciónCon examen final

Prerrequisitos recomendados

Para aprovechar al máximo este curso, recomendamos haber completado previamente estos cursos que proporcionan las bases necesarias.

PRERREQUISITO

Introducción a la Programación con Python

Inicial

PRERREQUISITO

Análisis de Datos con Python

Inicial

PRERREQUISITO

Matemáticas para IA

Inicial

PRERREQUISITO

Fundamentos de Aprendizaje Automático / Machine Learning

Intermedio

PRERREQUISITO

Aprendizaje Automático / Machine Learning Avanzado

Avanzado

Profesores de calidad

Nuestros docentes son referentes de la industria y expertos en diversas áreas, que están transformando el futuro. Con experiencia real y una visión innovadora, te acercan las últimas tendencias y conocimientos aplicados para que aprendas de quienes están marcando el camino.

Pablo Marinozi

Ingeniero en Sistemas, Doctorando en Ciencias Informáticas en la UNLP y Docente de Machine Learning, Computer Vision y Deep Learning en la UTN de Mendoza. Investigando sobre redes neuronales que procesen imágenes 3D para su aplicación en Viticultura de Precisión.

Felipe Aguirre

Licenciado en psicología, interesado en la intersección entre salud mental y neurociencias con inteligencia artificial, especialmente con el Procesamiento de Lenguaje Natural. Desarrollador de Python y docente. Cursó la especialización en Estadística para Ciencias de la Salud en la UBA, y se encuentra cursando la Maestría en IA en UDESA.

Nahuel Passano

Machine Learning Engineer en MecanTronic. Desarrollador de IA en Infiniem Labs. Estudiante avanzado de Ingeniería de Sonido en UNTREF.

Luciano Robino

Licenciado en física egresado de Instituto Balseiro. Magíster en física emitido por la misma institución. Actualmente cursa la carrera de licenciatura en computación en Facultad de Ingeniería, UNCuyo. Ha trabajado en el módulo de Matemática del ingreso a la Facultad de Ciencias Económicas, UNCuyo. En sus ratos libres estudia japonés.

Tu aprendizaje, en orden y sin complicaciones

Organizá tu ruta, seguí tu progreso y enterate de los próximos eventos desde la app, en un solo lugar

LAB

Te invitamos a aprender haciendo en un espacio diseñado para el aprendizaje basado en proyectos, donde crearás iniciativas únicas para enriquecer tu portfolio. Acá, el conocimiento fluye en equipo, impulsando tu crecimiento personal y profesional con impacto en tu comunidad.

Proyectos destacados

Detección de TDAH mediante señales de fMRI utilizando modelos de clasificación de machine learning

Agustín Rodriguez, Ezequiel Sirne, Francisco Covelli

Proyecto llevado a cabo en el marco de la edición 2024 del Workshop internacional Brainhack School. El trabajo consistió en desarrollar modelos de clasificación de aprendizaje automático para detectar el TDAH a través del análisis de señales de rs-fMRI.

Asistente Virtual Tienda de computadoras

Agustina Seminara

En este proyecto se desarrolló un asistente virtual de una tienda de computadoras utilizando un Modelo Grande de Lenguaje (LLM) con el objetivo de que pueda responder las consultas de los usuarios, proporcionar y realizar recomendaciones personalizadas

Clasificador de productos según nomenclatura ALADI

Ignacio

Este proyecto consistió en entrenar un Modelo Grande de Lenguaje (LLM) para generar un chatbot que funcione como un asistente virtual para páginas web como por ejemplo el Servicio Nacional de Sanidad y Calidad Agroalimentaria (SENASA). La idea nace de la dificultad que algunos usuarios experimentan al intentar registrar sus productos con la nomenclatura correcta en los organismos correspondientes.

Construcción de un sistema de monitoreo ambiental utilizando Raspberry Pi

Sofia Havrylenko

En este proyecto se construyó un sistema de monitoreo ambiental con una Raspberry Pi Pico, utilizando un sensor DHT11 para medir temperatura y humedad, y una pantalla LCD I2C para mostrar estos datos en tiempo real. Además, se incorporaron LEDs para controlar la temperatura y humedad, y se realizan mediciones que se actualizan en la pantalla.

Mapa interactivo de ingredientes

Javier Federico Goldschmidt

Este proyecto es un mapa interactivo de ingredientes de , que tiene por objetivo facilitar la exploración de recetas y promover una alimentación variada y saludable. Haciendo web scraping, se recolectan datos de sitios de recetas, con los cuales se creó un grafo grafo donde los ingredientes se visualizan según su frecuencia de uso y sus combinaciones en distintas recetas. Al seleccionar ingredientes en el grafo, se muestran recetas relacionadas y sugerencias de ingredientes complementarios. Además, muestra valores nutricionales a cada ingrediente

Detector de malezas en monocultivos

Yamila Sasal, Miguel Balderrama

En este proyecto se busco crear un detector de malezas que permita al productor tomar decisiones que se ajusten a la realidad del cultivo, que permitan la detección de focos y minimicen las consecuencias negativas de las malezas. De esta forma se reduciría el número de aplicaciones de fitosanitarios (tales como insecticidas, bactericidas, fungicidas y plaguicidas), permitiendo monitorear lotes de forma remota y tomar de decisiones conociendo la distribución de malezas en su cultivo (cantidad y distribución espacial).

¿Qué dicen nuestros estudiantes?

“Me gustó mucho el curso de machine learning. Aprendí muchas cosas nuevas y les profesores son excelentes. El curso me pareció muy interesante y me motiva a seguir aprendiendo en el marco de la diplomatura de IA. Es un curso muy intenso y exige mucha dedicación, creo que es una buena opción para introducirse en el área de machine learning porque abarca muchos conceptos y modelos en los cuales uno puede seguir profundizando luego.“

-Julieta Santos

“Me pareció excelente el contenido, los temas, las formas, la capacidad de todos los profes para explicar cosas complejas de una forma amena y clara, la preocupación permanente pq no queden dudas, el respeto absoluto para cuando alguien tiene dudas o preguntas. Se nota el amplio conocimiento y expertise en la materia. Estoy muy contento y conforme con el curso (probablemente vuelva a hacerlo en alguna próxima oportunidad). Comentario no menor, me parece algo absolutamente disruptivo el costo del curso o de la suscripción mensual, muy asequible, para la calidad de contenido y de profesionales que uno recibe a cambio. Y una apreciación muuy subjetiva, es que se nota el amor y pasión que hay atrás de cada clase y curso.“

-Facudo Miglio

“Creo que ofrecen un curso de muy buena calidad. Soy profe e investigador, llevo un tiempo formándome en datos, y de las muchas experiencias que he tenido, definitivamente es la mejor en calidad y cantidad. Creo que sirve mucho la metodología de los videos grabados y después las clases sincrónicas para dudas y ejercicios. El material en Git tb es muy bueno, muy claro, todo explicado. Los profes son super ideoneos, generosos en su conocimiento y disponibilidad, se puede ver en las clases y el foro discord. Felicitaciones equipo, hacen un trabajo muy bueno! De lo que llevo los he recomendado 100 veces a los colegas e intersados.“

-Rodrigo Robert

“Realicé el curso de Machine Learning como alumno de Humai. Me pareció excelente, muy bien organizado el programa, los temas muy bien explicados y los profes unos genios. Anteriormente había realizado los cursos de Intro a Python, Automatización y Análisis de Datos como autodidacta, los materiales me resultaron excelentes. Agradezco mucho que hayan disponibilizado gratuitamente esos materiales.“

-Tomás Manzur

“¡Me encantan! con el material grabado para las clases asincrónicas, el soporte en Discord y los grupos de ayuda entre alumnxs; las clases en vivo toman otro color y se vuelven muy enriquecedoras, mindblowing a veces. Las plataformas donde se realizan los ejercicios son totalmente actuales y el nivel de interactividad en clases es algo a replicar, definitivamente.“

-Matias Esmay

“El curso es excelente, muy bien dado por personas que de verdad saben el tema. Tanto las clases sincrónicas como asincrónicas fueron excelentes y me sirvieron para aprender muchas cosas que no conocía. Aprender más sobre la potencialidad de pandas es buenísimo, y ver las distintas herramientas gráficas que hay y sus capacidades también.“

-Lucas Tarcetti